rede bayesiana para prediÇÃo do risco de …livros01.livrosgratis.com.br/cp097370.pdf · baseado...
TRANSCRIPT
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO PARANÁ
CLAUDIO JOSE BELTRÃO
REDE BAYESIANA PARA PREDIÇÃO DO RISCO DE INFECÇÃO
HOSPITALAR EM UTI - NEONATAL
Curitiba
2005
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
CLAUDIO JOSE BELTRÃO
REDE BAYESIANA PARA PREDIÇÃO DO RISCO DE INFECÇÃO
HOSPITALAR EM UTI - NEONATAL
Dissertação apresentada ao Programa de Pós-Graduação em Tecnologia em Saúde da Pontifícia Universidade Católica do Paraná, como parte dos requisitos para obtenção do grau de Mestre em Ciências. Área de Concentração: Informática em Saúde Orientador: Professor Dr. João da Silva Dias
Curitiba
2005
�
�
�
���
�
�
�
����
O professor que caminha nas sombras do
templo entre os seus seguidores não dá
mostra de sabedoria, mas de fé e amor. Se
for realmente sábio, não proibirá que você
penetre no mundo do seu conhecimento; ao
contrário, ele o ajudará a abrir a porta de sua
mente.
(Gibran Khalil Gibran)
�
�
�
���
DEDICATÓRIA
À minha esposa Christianne, pelo amor e carinho,
minha luz.
Às minhas filhas Julianna e Marianna, minhas
princesas.
Aos meus pais Vilma e Luiz Fernando, pelo
exemplo.
�
�
�
��
AGRADECIMENTOS
Ao meu orientador e amigo Prof. João da Silva Dias pelo despertar do ofício de
educar.
À equipe do Serviço de Controle de Infecção Hospitalar do Hospital Pequeno
Príncipe, Dra. Heloisa Ihle Garcia Giamberardino, Dr. Fábio de Araújo Motta, Enf.
Patrícia Françoise de Andrade, Enf. Luciana Correa e secretária Franciele Burecki,
por toda a dedicação e colaboração no desenvolvimento desde trabalho.
À Direção do Hospital Pequeno Príncipe pelo apoio recebido durante a confecção
desta dissertação.
Ao amigo Ernesto Josué Schmitt pelo companheirismo e apoio durante esta jornada.
À amiga Profª. Claudia Maria Cabral Moro Barra pelo incentivo constante.
�
�
�
���
PUBLICAÇÕES
[1] Utilização de Técnica de Inteligência Artificial para Cálculo dos Fatores
de Risco e Detecção de Infecção Hospitalar. Claudio Jose Beltrão, João da
Silva Dias. VIII Congresso Brasileiro de Controle de Infecção e Epidemiologia
Hospitalar – Curitiba-PR, 2002.
[2] Sistema Especialista para Cálculo do Potencial de Risco de Infecção
Hospitalar em UTI - Neonatal. Claudio Jose Beltrão, João da Silva Dias,
Fábio de Araújo Motta, Patrícia Françoise Andrade, Ana Paula de Oliveira
Pacheco. XI Congresso Brasileiro de Informática em Saúde – Ribeirão Preto-
SP, 2004.
�
�
�
����
RESUMO �
A infecção hospitalar tem sido muito discutida e estudada na prática médica.
Enquanto a sua história acompanha a história dos hospitais, sua repercussão na
sociedade se apresenta social e economicamente com tamanha gravidade que
somente nos Estados Unidos 2 milhões de pacientes são acometidos de infecções
hospitalares e o custo anual de combate ao problema é estimado em 4,5 bilhões de
dólares. Visando a redução da ocorrência destas infecções, aponta-se para o uso da
tecnologia em saúde e seus diversos componentes. A utilização da inteligência
artificial (IA) em medicina vem crescendo a cada dia, pois vem apresentando
resultados satisfatórios no tratamento da redução da incerteza com o
desenvolvimento de sistemas denominados Sistemas Especialistas. Uma das
técnicas de IA utilizadas com sucesso nestes sistemas tem sido as redes
bayesianas, que têm como base o Teorema de Bayes. O objetivo do estudo foi o
desenvolvimento de um sistema especialista para predição de infecção hospitalar,
baseado nos potenciais de risco, para pacientes em UTI – Neonatal. Sua
implementação se deu através de uma rede bayesiana, criada a partir dos potenciais
de risco apresentados nas fichas de busca ativa da UTI - Neonatal do Hospital
Pequeno Príncipe. A base do conhecimento e o treinamento da rede foram
adquiridos utilizando as fichas de busca ativa coletadas por um sistema de entrada
de dados, no período de maio de 2003 a junho de 2004, num total de 180 pacientes
internados. A avaliação, em comparação a uma amostra “padrão-ouro” de 43 casos,
mostrou uma sensibilidade de 66,67% e uma especificidade de 88,24%. Os
resultados sugerem que o sistema especialista criado pode auxiliar na predição de
infecção hospitalar, e sua utilização, impactar na melhoria da qualidade de
atendimento oferecida aos pacientes em UTI - Neonatal.
Palavras-chave: Infecção Hospitalar; Inteligência Artificial; Teorema de Bayes.
�
�
�
�����
ABSTRACT �
Infections in hospitals have been vastly discussed and studied in medical
practice. While their history comes along with the history of hospitals, their
repercussions in society has had such a huge social and economical gravity that
only in the United States two million patients acquire hospital infections and the
average annual cost to fight this problem is 4.5 billion dollars. Aiming at the
reduction of these infections, we point at the use, in the health area, of technology
and its several components. The utilization of the artificial intelligence (AI) in
medicine has been increasing day after day, once it has been presenting
satisfactory results in the treatment of the reduction of uncertainty with the
development of systems called Specialist Systems. One of the AI techniques
used successfully in these systems has been the Bayes’ network, which has as a
basis the Bayes’ Theorem. The objective of this study was the development of a
specialist system, which could preview hospital infections based on the risk
potentials for the neonatal patients of the ICU at the Pequeno Príncipe Hospital.
Its implementation occurred by means of a Bayes’ network, created from the risk
potentials presented on the forms of active search of the Neonatal ICU at the
Pequeno Príncipe Hospital. The knowledge basis and the network training were
acquired by means of the active search forms collected by a data feeding
system, from May 2003 to June 2004, amounting 180 cases. The assessment,
compared to a “gold-pattern” sample of 43 cases, showed a sensitivity of
66.67% and a specificity of 88.24%. The results suggest that the specialist system
created may help in the prediction of infections in the hospital, and its use may
highly contribute to the improvement of the quality of the service offered to the
Neonatal – ICU patients.
Keywords: Hospital Infection; Artificial Intelligence; Bayes´ Theorem.
�
�
�
���
LISTA DE TABELAS
TABELA 1 - EFEITO DOS ANTIBIÓTICOS NO ÍNDICE DE LETALIDADE DE
INFECÇÕES .......................................................................................................15
TABELA 2 - PREVALÊNCIA DE INFECÇÃO HOSPITALAR POR UNIDADE DE
INTERNAÇÃO E DISTRIBUIÇÃO TOPOGRÁFICA (BRASIL, 1994) ..................26
TABELA 3 – TAXAS DE INFECÇÃO HOSPITALAR EM CURITIBA ENTRE OS
ANOS DE 2000 E................................................................................................28
TABELA 4 - CUSTOS E PROFILAXIA DAS INFECÇÕES HOSPITALARES EM
HOSPITAIS .........................................................................................................30
TABELA 5 - ESTIMATIVA DE REDUTIBILIDADE DE PACIENTES COM INFECÇÃO
HOSPITALAR NOS HOSPITAIS TERCIÁRIOS DAS CAPITAIS BRASILEIRAS
............................................................................................................................33
TABELA 6 - TABELA DE CONTINGÊNCIA PARA RESULTADOS DE TESTES......54
TABELA 7 - DISTRIBUIÇÃO DE TOPOGRAFIAS DE IH..........................................73
TABELA 8 – ANÁLISE DOS PRINCIPAIS FATORES DE RISCO ............................74
TABELA 9 – RESULTADO DO TESTE DE DIAGNÓSTICO DA REDE BAYESIANA
............................................................................................................................76 �
�
�
�
��
LISTA DE QUADROS �
�
QUADRO 1 – QUADRO COMPARATIVO ENTRE VANTAGENS E
DESVANTAGENS DAS REDES BAYESIANAS..................................................51
QUADRO 2 – COMPARAÇÃO DAS PRINCIPAIS FERRAMENTAS “SHELL” NO MERCADO. .........................................................................................................52
QUADRO 3 – POTENCIAIS DE RISCO UTILIZADOS NA CONSTRUÇÃO DA REDE BAYESIANA ........................................................................................................67
�
�
�
���
LISTA DE GRÁFICOS �
�
GRÁFICO 1 - NÚMERO DE ARTIGOS SOBRE TEOREMA DE BAYES EM
REVISTAS MÉDICAS, PESQUISADOS NO MEDLINE ENTRE 1970 E 2004
(NCBI, 2005) .......................................................................................................57
�
�
�
����
LISTA DE FIGURAS
FIGURA 1 – ESTRUTURA CONVENCIONAL DE UM SISTEMA ESPECIALISTA...37
FIGURA 2 – EXEMPLO DA PARTE QUALITATIVA DE UMA REDE BAYESIANA ..48
FIGURA 3 – EXEMPLO DA PARTE QUANTITATIVA DE UMA REDE BAYESIANA48
FIGURA 4 – REDE BAYESIANA COM AS PARTE QUALITATIVA E QUANTITATIVA
INTEGRADAS .....................................................................................................49
FIGURA 5 – TELA DE ENTRADA DE DADOS DAS FICHAS DE BUSCA ATIVA ....65
FIGURA 6 – REPRESENTAÇÃO DA PARTE QUALITATIVA DA RB.......................70
FIGURA 7 – ESQUEMA DE MONTAGEM E TREINAMENTO DA REDE BAYESIANA
............................................................................................................................71
FIGURA 8 – APRESENTAÇÃO FINAL DE REDE BAYESIANA ...............................72
�
�
�
�����
LISTA DE ANEXOS
ANEXO 1 - FORMULÁRIO DE COLETA DE DADOS PARA BUSCA ATIVA............98
ANEXO 2 – PROPOSTA PARA O NOVO FORMULÁRIO DE COLETA DE DADOS
PARA BUSCA ATIVA – FRENTE........................................................................99
ANEXO 3 – PROPOSTA PARA O NOVO FORMULÁRIO DE COLETA DE DADOS
PARA BUSCA ATIVA - VERSO ........................................................................100
ANEXO 4 - PORTARIA Nº 2.616/98, QUE ESTABELECE AS CCIHS NO BRASIL101
�
�
�
����
LISTA DE ABREVIATURAS
AHA – American Hospital Association
ANVISA – Agência Nacional de Vigilância Sanitária
API – Application Program Interface
CCIH – Comissão de Controle de Infecção Hospitalar
CDC – Centers for Disease Control and Prevention
CIH – Controle de Infecção Hospitalar
COCIN – Coordenação de Controle de Infecção Hospitalar
EUA – Estados Unidos da América
FDA – Food and Drug Administration
FSP – Faculdade Saúde Pública
HPP – Hospital Pequeno Príncipe
IA – Inteligência Artificial
IH – Infecção Hospitalar
INAMPS – Instituto Nacional de Assistência Médica da Previdência Social
MS – Ministério da Saúde
NNIS – National Nosocomial Infections Surveillance System
PDA – Personal Digital Assistant
PPGTS – Programa de Pós-Graduação em Tecnologia em Saúde
PUCPR – Pontifícia Universidade Católica do Paraná
RB – Rede Bayesiana
SAD – Sistema de Apoio à Decisão
SE – Sistema Especialista
SENIC – Study of the Efficacy of Nosocomial Infection Control
SINAIS – Sistema Nacional de Informação para o Controle de Infecções em Serviços
de Saúde
SUS – Sistema Único de Saúde
TB – Teorema de Bayes
USP – Universidade de São Paulo
UTI – Unidade de Terapia Intensiva
�
�
�
���
Sumário
1 INTRODUÇÃO ................................................................................................ 1�
1.1 Objetivos ............................................................................................................4�
1.1 Objetivos ............................................................................................................4�
1.1.1 Objetivo Geral ..............................................................................................4�
1.1.2 Objetivos Específicos ...................................................................................4�
1.2 Estrutura do Trabalho.........................................................................................5�
2 JUSTIFICATIVA .............................................................................................. 7�
3 FUNDAMENTAÇÃO TÉORICA..................................................................... 11�
3.1 História da Infecção Hospitalar.........................................................................11�
3.2 O Controle da Infecção Hospitalar no Brasil.....................................................16�
3.3 Epidemiologia no Controle de Infecção Hospitalar...........................................18�
3.4 Definições de Infecção Hospitalar ou Nosocomial ...........................................22�
3.5 Estatísticas de Infecção Hospitalar ..................................................................25�
3.6 Os Aspectos Econômicos das Infecções Hospitalares.....................................29�
3.7 Inteligência Artificial e Sistemas de Apoio à Decisão .......................................34�
3.7.1 Sistemas Especialistas em Medicina e Infecção Hospitalar .......................38�
3.8 Teorema de Bayes e Redes Bayesianas .........................................................43�
3.9 Redes Bayesianas ...........................................................................................47�
3.9.1 Vantagens e Desvantagens das Redes Bayesianas..................................50�
3.9.2 Ferramentas “SHELL” para Redes Bayesianas .........................................52�
3.10 Testes Diagnósticos para Redes Bayesianas ................................................53�
3.11 Redes Bayesianas Aplicadas à Área da Saúde .............................................56�
4 MÉTODOS .................................................................................................... 61�
4.1 Proposta ...........................................................................................................61�
4.2 Escolha do Local para Pesquisa ......................................................................62�
4.3 Aquisição da Base do Conhecimento...............................................................63�
�
�
�
����
4.4 Método da Coleta de Dados.............................................................................64�
4.5 Amostra ............................................................................................................65�
4.6 Representação do Conhecimento ....................................................................66�
5 RESULTADOS .............................................................................................. 69�
5.1 Parte Qualitativa da Rede Bayesiana...............................................................69�
5.2 Parte Quantitativa da Rede Bayesiana.............................................................70�
5.3 Apresentação da Rede Bayesiana ...................................................................72�
5.4 Análise dos Dados Coletados ..........................................................................73�
5.5 Demonstração da Avaliação de Desempenho .................................................75�
6 DISCUSSÕES E CONCLUSÃO.................................................................... 78�
6.1 Implementação da Rede Bayesiana.................................................................79�
6.2 Aquisição do Conhecimento e Treinamento da Rede Bayesiana.....................80�
6.3 Resultados dos Testes .....................................................................................82�
6.4 A Geração da Informação ................................................................................83�
6.5 Integração com o Sistema Hospitalar...............................................................84�
6.6 Estudos Futuros ...............................................................................................85�
7 REFERÊNCIAS............................................................................................. 88�
8 ANEXOS ....................................................................................................... 98�
ANEXO 1 - FORMULÁRIO DE COLETA DE DADOS PARA BUSCA ATIVA.........98�
ANEXO 2 – PROPOSTA PARA O NOVO FORMULÁRIO DE COLETA DE DADOS
PARA BUSCA ATIVA – FRENTE...........................................................................99�
ANEXO 3 – PROPOSTA PARA O NOVO FORMULÁRIO DE COLETA DE DADOS
PARA BUSCA ATIVA - VERSO ...........................................................................100�
ANEXO 4 - PORTARIA Nº 2.616/98, QUE ESTABELECE AS CCIHS NO BRASIL
.............................................................................................................................101�
�
�
�
�����
��������
����
����
����
����
����
����
����
����
����
����
����
����
����
����
����
��������������������������������������������
�
�
�
��
1 INTRODUÇÃO
“Infecção Hospitalar (IH) é aquela adquirida após a admissão do paciente no
hospital e que se manifesta durante a internação, ou após a alta, quando for
relacionada com a internação ou procedimentos hospitalares” (BRASIL, 1998).
A infecção hospitalar tem sido muito discutida e estudada na prática médica.
Dois séculos atrás era considerada inevitável e de causas não definidas. Atualmente
tem-se como um evento natural, previsível e curável (COUTO e PEDROSA, 1999;
FERNANDES, 2000).
As IHs são causadas por microorganismos oportunistas, com baixa
capacidade invasiva e que somente em condições especiais, como por exemplo,
determinados procedimentos agressivos realizados, conseguem invadir e multiplicar-
se nos tecidos e órgãos. Devido às altas taxas de mortalidade e morbidade,
caracterizam-se por um problema não só de ordem médica, como também
econômica e social, pois o alto custo de um caso é expressivo (EMORI e GAYNES,
1993).
O problema tem atingido com tal gravidade os Estados Unidos que mais de
2 milhões de pacientes são acometidos de infecções hospitalares, chegando a uma
taxa global de infecção hospitalar de 6%. Neste país, o custo anual de combate a
estas infecções está estimado em 4,5 bilhões de dólares/ano. Na Inglaterra, o custo
extra é de aproximadamente 1,6 bilhões de euro/ano (CRUZ, 2000; YALCIN, 2003).
No Brasil, a preocupação com a IH é recente, sendo assumida pelo Estado
somente no ano de 1983, quando se estabeleceu a criação de Comissões de
�
�
�
��
Controle de Infecção Hospitalar (CCIH) e foram-lhes fixadas atribuições específicas
(BRASIL, 1983).
No Brasil, a taxa média de infecção hospitalar, aferida pelo “Estudo
Brasileiro da Magnitude das Infecções Hospitalares”, realizado em 1994 em 108
hospitais, foi de 15,5% (MINISTÉRIO DA SAÚDE, 1995).
Nas Unidades de Terapia Intensiva (UTIs) dos hospitais, em razão do estado
de saúde dos pacientes, as taxas de IH se apresentam ainda mais acentuadas
(PEDROSA e COUTO, 1999). No município de Curitiba, no ano de 2003, a taxa
global de IH foi de 2,53%. No mesmo período, a UTI adulto apresentou uma taxa de
15,68%, enquanto a UTI neonatal, 15,83%.1
Nas Unidades de Terapia Intensiva Neonatais (UTIs), a ocorrência das IHs
se destaca em razão da fragilidade dos recém-nascidos e de seus mecanismos de
defesa, e que se agrava em razão da exposição a maiores riscos.
Para o controle e diagnóstico das IHs, utiliza-se a informação disponível
sobre a internação do paciente. Quanto maior a agilidade e confiabilidade da
informação, maior será a chance de se desenvolver uma ação no sentido de evitar,
reduzir ou curar os eventos ligados à infecção hospitalar.
A introdução da informática em saúde no contexto hospitalar vem
amadurecendo, passando do nível de informatização administrativa para o nível de
atendimento direto ao paciente, onde as informações médicas inseridas através do
prontuário eletrônico podem ser adquiridas, criticadas e distribuídas para
processamento em todos os setores (DAVIDSON, 1999).
Para que isso se tornasse viável, as diferentes áreas de saúde têm que
passar por um processo de padronização, envolvendo nomenclatura da linguagem
�
�
�
��
médica, padronização de procedimentos, métodos, diagnósticos e registros clínicos,
tornando possível a informatização (DEGOULET e FIESCHI, 1996).
Segundo Rodrigues (1987), o aspecto multidisciplinar da informática em
saúde faz com que a informação aplique-se não só para um determinado ramo de
conhecimento, mas para todo um complexo conjunto de profissionais, das diferentes
áreas da saúde. Todos com um só objetivo, o paciente.
Através da utilização de sistemas especialistas e técnicas de inteligência
artificial, com a imitação do comportamento de um especialista em uma área
específica, é possível conciliar a tecnologia e conhecimento, no intuito de reduzir a
incerteza (BARRETO, 1999).
A aplicação destas tecnologias na área hospitalar pode vir a reduzir a
incidência de IH, refletindo na melhoria da assistência e qualidade de vida ao
paciente, assim como uma redução nos custos associados à sua ocorrência.
���������������������������������������� ���������������������������������������� ���������������������������������������� ���������������������������������������� ��������������������������� ����������������������������������������������������������������������� !�
�
�
�
"�
1.1 Objetivos
1.1.1 Objetivo Geral
Desenvolver um modelo de predição de risco de infecção hospitalar em
pacientes internados em Unidade de Terapia Intensiva Neonatal baseado nos
potenciais de risco coletados em fichas de busca ativa, através da utilização de uma
técnica de inteligência artificial denominada Redes Bayesianas.
1.1.2 Objetivos Específicos
- Viabilizar um aplicativo para a entrada de dados a partir das informações
das fichas de coleta utilizadas na busca ativa.
- Avaliar a viabilidade de uso dos dados coletados nas fichas de busca ativa
para o processo de tomada de decisão.
- Avaliar a relação entre os procedimentos de risco e a incidência de
infecção hospitalar.
- Testar o modelo de predição numa amostra independente de pacientes.
�
�
�
#�
1.2 Estrutura do Trabalho
O conteúdo deste trabalho foi estruturado nos seguintes capítulos:
Introdução, Justificativa, Fundamentação Teórica, Proposta, Métodos, Resultados,
Discussão e Conclusão.
No primeiro capítulo é apresentada uma introdução ao tema e após, os
objetivos geral e específicos.
O segundo capítulo apresenta a justificativa do trabalho e, a importância do
assunto na área de saúde.
No capítulo três, descrevem-se a fundamentação teórica e revisão
bibliográfica sobre infecção hospitalar, inteligência artificial e outros conceitos
relacionados ao trabalho.
No capítulo seguinte, apresenta-se a proposta do trabalho, suas etapas e
estruturação, assim com os métodos utilizados para a aquisição da base do
conhecimento e do desenvolvimento da Rede Bayesiana.
No capítulo cinco, são apresentados os resultados demonstrados através da
Rede Bayesiana finalizada e o seu teste de desempenho. É feita uma comparação
entre um “padrão-ouro” e os valores obtidos com a técnica escolhida.
Por último, no capítulo seis, estão: o relato das conclusões, discussão sobre
o tema e trabalhos futuros.
�
�
�
$�
�
�
�
�
�
����
����
����
����
����
����
����
����
����
����
����
����
����
����
����
�� ������������� ������������� ������������� ���������������
�
�
�
%�
2 JUSTIFICATIVA
Segundo Fernandes, Ribeiro Filho e Barroso (2000), a prevenção de 6% das
infecções hospitalares equivale economicamente ao suficiente para a sustentação
de um controle de infecção hospitalar efetivo, com profissionais qualificados.
O investimento em pesquisas para ações de controle das IHs se impõe por
razões legais, morais, éticas, econômicas e sociais (BOHANEC, 2001).
Dentre algumas implicações geradas pelas IHs, cabe citar:
a) aspectos sociais e econômicos gerados pelo afastamento, parada ou
descontinuidade de trabalho do paciente com IH;
b) aspectos intangíveis como dor, sofrimento, isolamento etc. impostos ao
paciente;
c) aumento do número de diárias hospitalares;
d) redução do número de leitos disponíveis;
e) utilização de recursos financeiros para o tratamento de pacientes com IH.
O custo da IH no Sistema de Saúde se apresenta com grande impacto. Nos
Estados Unidos, o valor da diária de um paciente com infecção hospitalar eleva-se a
cerca de 2.100 dólares e uma pneumonia contraída pela mesma razão pode chegar
a custar 5.683 dólares (FERNANDES; RIBEIRO FILHO e BARROSO, 2000).
Ainda com base no mesmo estudo, a infecção hospitalar pode aumentar o
número de diárias extras em oito dias em média. O impacto da questão do custo da
IH está relatado em maiores detalhes no capítulo 3.6.
�
�
�
&�
As taxas de IH nos hospitais apresentam uma visão do número de pacientes
infectados e mostram que as instituições de saúde ainda possuem um grande
desafio no sentido de reduzi-las.
Em estimativa realizada pela Coordenação de Controle de Infecção
Hospitalar (COCIN), em 1998, o número de pacientes com IH no Brasil foi de
1.541.002, levando em consideração somente as internações custeadas pelo
Sistema Único de Saúde (SUS). A taxa média de IH foi de 13,09%.
No sentido de reduzir o quadro que se apresentava no Brasil, seguindo
diretivas tomadas pelos países desenvolvidos, o Ministério da Saúde editou, em
1997, a Lei Federal 9431, que obrigou os hospitais a criarem e manterem uma
Comissão de Controle de Infecção Hospitalar (CCIH).
Visando o controle das IHs, as CCIHs atuam no sentido de minimizar sua
ocorrência através da implantação de programas de prevenção, controle de risco e
estudo das formas de contaminação no ambiente hospitalar (COUTO e PEDROSA,
1999).
A CCIH faz uso de informações provenientes de vários setores do hospital e
necessita de uma ferramenta informatizada de trabalho que possa fornecer todos
estas informações em tempo real, a fim de utilizá-las como fonte para geração de
programas de contenção e até como base para um sistema especialista (SE).
Apesar das possíveis sanções civis, penais e administrativas quando da
ocorrência de casos de IH, apenas 30% dos hospitais da rede pública e privada no
Brasil possuem uma CCIH (ANVISA, 2004).
Em estudo realizado pela Faculdade de Saúde Pública da Universidade de
São Paulo (FSP/USP), envolvendo 4.148 hospitais no Brasil (70% do total), 72%
�
�
�
'�
afirmaram que monitoravam as infecções hospitalares. Porém, por problemas
metodológicos, somente em 13% destes os indicadores e taxas obtidos são
confiáveis.2
O erro sistemático de informação é o mais comum em epidemiologia
hospitalar e se dá devido a problemas na técnica de coletas. A implantação de
sistemas informatizados ativos de coleta de dados visa a redução de dados errados
(BROSSETTE et al., 1998; BROSSETTE et al., 2000; BATES, 2001).
Os sistemas geradores de estatísticas sobre a infecção hospitalar
contribuem para as pesquisas médicas, estabelecendo taxas para posterior
comparação com valores ou parâmetros pré-determinados, porém atuam somente
após a ocorrência da IH.
O fator tempo também é determinante no levantamento de dados da
infecção hospitalar. A automatização deste levantamento pode possibilitar uma
maior agilidade no processo de tomada de decisão.
O desenvolvimento de um sistema de predição de risco pode oferecer à
equipe de profissionais de saúde o quadro infeccioso do hospital e o potencial de
risco de contaminação dos pacientes internados, resultando numa possível redução
de casos de IH.
A informática em saúde, atuando em prol da redução da incidência de
infecção nosocomial3, estaria contribuindo com a bioética, considerando esta como
uma ciência multiprofissional (CAVALCANTE, 2000; ANTONIO e FERNANDES,
2000).
���������������������������������������� ���������������������������(������)�***!����!���!�����+��������)����������,������!�
�
�
�
�-�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
��������������������������������������������������������
��������������������������������
�
�
�
���
3 FUNDAMENTAÇÃO TÉORICA
3.1 História da Infecção Hospitalar
A história da Infecção Hospitalar acompanha a história da própria medicina
e, para que se possa combatê-la, é necessário conhecer e entender os princípios de
como a mesma atua e suas formas de contágio (COUTO e PEDROSA, 1999).
Deve ser vista como um elo de ligação resultante dos procedimentos
realizados no paciente durante sua permanência no hospital e do ambiente
hospitalar como um todo.
As primeiras referências datam do ano 325, quando os bispos decidem, no
Concílio de Nicéia, que hospitais fossem construídos ao lado das catedrais. Durante
séculos, os pacientes em recuperação foram deixados lado a lado com pacientes
terminais infectados, sem que houvesse nenhuma separação.
Burton (1751) citado por Fernandes (2000) considerava a mortalidade
materno-infantil uma enfermidade contagiosa devida sua alta incidência.
Posteriormente, White recomenda a limpeza e o processo de assepsia das mãos de
médicos e parteiras para a redução de ocorrências.
Aikin (1771) citado por Fernandes (2000) observou a evolução dos pacientes
operados que possuíam leito próprio e recomenda o isolamento de paciente
infectado. No mesmo ano, os hospitais de Manchester recomendavam que os
pacientes recebessem lençóis limpos, devendo ser trocados pelos menos a cada
�
�
�
���
três semanas, e que os leitos não deveriam ser compartilhados. A eficácia destas
medidas foi comprovada durante uma epidemia de febre tifóide, quando os hospitais
que não tomavam nenhuma medida tiveram uma contaminação 10 vezes maior.
A partir da adoção destas condutas, pode-se notar uma melhor situação
entre hospitais da Inglaterra e os demais da Europa.
Em 1793, a Convenção Francesa determina que cada paciente tivesse seu
próprio leito e que uma distância mínima de noventa centímetros fosse mantida entre
eles.
Somente no início do século XIX, na Inglaterra, iniciam-se procedimentos de
isolamento para pacientes portadores de varicela e os resultados começam a ser
relatados (FERNANDES, 2000).
Holmes (1843) citado por Couto e Pedrosa (1999) já sugeria que a febre
puerperal podia ser transmitida por médicos e enfermeiras, a partir de análises
estatísticas que demonstraram que a doença, anteriormente rara, havia assumido
um caráter endêmico4. Pacientes de um determinado profissional, que lavava as
mãos entre as visitas em solução de hipoclorito de cálcio não desenvolviam a
doença. A afirmação de que maus hábitos higiênicos dos médicos causam doenças
escandalizou estes profissionais, que reagiram negativamente à sua conclusão.
Na mesma época, Semmelweis observou este fato após vários estudos com
o objetivo de identificar a contaminação das parturientes e recém-natos na clínica
onde trabalhava. Constatou que um colega veio a óbito, após ferir-se no braço com
bisturi durante a realização de uma autópsia. A descrição das lesões encontradas no
laudo do exame do colega era semelhante às encontradas nas parturientes.
Concluiu então que “a variação da mortalidade podia correlacionar-se com as
�
�
�
���
atividades das pessoas”, implantando as seguintes normativas: isolamento dos
casos; lavagem das mãos; fervura do instrumental e utensílios. A mortalidade, que
em abril de 1847 chegou a 18,27%, caiu a partir de julho para uma média de 3,04%
e, no final de 1848, a 1,27% (FERNANDES, 2000).
Nightingale (1863) citada por Couto e Pedrosa (1999) durante a guerra da
Criméia (1854-1856), através da implantação de procedimentos básicos de higiene e
limpeza, contribuiu na redução das epidemias de tifo e cólera nos hospitais dos
campos de batalha onde atuava, baseando-se na observação sistemática e em
registros estatísticos. Sua proposta era que as enfermeiras mantivessem um sistema
de relato de óbitos hospitalares como forma de avaliação do serviço. Constituiu-se
na primeira referência a alguma forma de vigilância epidemiológica e retorno de
informações aos executores das atividades no hospital como forma de melhoria de
qualidade da assistência.
Os primeiros resultados de estudos revelaram sua importância no contexto
médico-hospitalar. Em Londres, no ano de 1864, foram comparados dois hospitais,
sendo o primeiro com área de isolamento para pacientes com o diagnóstico de tifo.
Em 1.080 internações, foram detectados 27 casos de infecção hospitalar com oito
óbitos. Em outro, sem área de isolamento, em 272 internações, foram detectados 71
casos de infecção hospitalar com 21 óbitos. Mostrava-se então a taxa bruta de
2,50%, onde havia algum controle, contra 26,10% no hospital sem isolamento
(COUTO e PEDROSA, 1999).
Lister (1867) citado por Fernandes (2000) publicou o trabalho “Sobre o
Princípio Anti-séptico na Clínica Cirúrgica”, com importantes contribuições às
práticas de anti-sepsia, a partir dos bons resultados do uso em feridas infectadas do
���������������������������������������� ���������������������������������������� ���������������������������������������� ���������������������������������������� ���������������������"���.����)����/�0��������������������������0���1���������2��������������/3���������3�!�
�
�
�
�"�
ácido carbólico, passando a utilizá-lo como anti-séptico de pele. Seu método reduziu
a mortalidade de 46% para 15% em cirurgias de amputação.
A febre puerperal era considerada, no início do século XIX, “uma moléstia
zimótica5, de curso agudo que, segundo a predisposição do indivíduo, tanto pode ser
provocada por nocividades de ordem geral, como ser conseqüência de abalos
psíquicos e resfriamentos; mas, acima de tudo, de influências epidêmicas e
endêmicas que põem em fermentação a massa do sangue”. Portanto, era
considerada uma fatalidade inevitável (FERNANDES, 2000).
Para Cruz (2000), a situação sofre mudanças no início do século XX, com a
introdução de princípios de que tudo que vai tocar o campo cirúrgico seja estéril.
Rapidamente, dissemina-se a utilização de luvas, capote, gorro, máscara e material
cirúrgico estéril, reduzindo a incidência de infecções em cirurgias limpas de 14,0%,
em 1925, para 4,8%, em 1933.
Vullemin (1889) citado por Fernandes (2000), utilizou o termo antibiose como
proposto para definir o processo de seleção natural pelo qual um ser vivo destrói
outro para garantir sua sobrevivência. Com a introdução do uso de antimicrobianos,
achava-se que o problema da infecção hospitalar e comunitária estaria para sempre
resolvido. Os resultados apresentados foram muito relevantes, principalmente a
partir da acentuada queda na letalidade (tabela 1).
���������������������������������������� �������������������#�4��5���)����/��� �������������6����0��������������������� ������/3�!�
�
�
�
�#�
TABELA 1 - EFEITO DOS ANTIBIÓTICOS NO ÍNDICE DE LETALIDADE DE INFECÇÕES
�
Doença Era Pré-Antibiótica (%) Era Pós-Antibiótica (%)
Pneumonia pneumocócica 20-85 Cerca de 5
Endocardite bacteriana 99 5
Meningite H. influenzae 100 2-3
Meningite pneumocócica 100 8-10
Meningite meningocócica 20-90 1-5
Febre tifóide 8-10 1-3
Fonte: FERNANDES (2000).
Fleming citado por Serra (2004), apesar do entusiasmo com a descoberta da
penicilina, entendia suas limitações naturais e já alertava que a utilização
indiscriminada poderia permitir o desenvolvimento de variedades resistentes de
bactérias.
Já nesta época, apesar da utilização da epidemiologia contribuir para o
avanço do controle das infecções hospitalares, notava-se a necessidade de uma
abordagem integral da problemática.
Segundo Couto e Pedrosa (1999), na década de 1940 o problema da
infecção hospitalar e comunitária parecia ter seus dias contados, com a introdução
do uso de antimicrobianos. Porém, pouco mais de uma década depois, em meados
da década de 1950, os Estados Unidos eram assolados por uma pandemia de
estafilococos, cada vez mais resistentes aos antimicrobianos disponíveis. É criada
então pelo Centro de Doenças Comunicáveis dos Estados Unidos, mais tarde Centro
de Controle de Doenças (CDC), uma divisão para assessorar os hospitais
americanos na investigação de epidemias.
�
�
�
�$�
3.2 O Controle da Infecção Hospitalar no Brasil
As primeiras referências ao controle da contaminação hospitalar (termo
utilizado na época) surgiram na década de 50, com o atendimento de saúde
centrado em Santas Casas, hospitais-escola e previdenciários, que tinham como
preocupação medidas ambientais, contaminação aérea, procedimentos invasivos e
técnicas assépticas. Já na década de 60 iniciam-se estudos sobre fatores de risco,
microorganismos e perfil de sensibilidade e antimicrobianos (LACERDA, 1996).
A partir de 1968 e início dos anos 70, surgem as primeiras comissões de
controle de infecção hospitalar do país nos seguintes hospitais: Ernesto Dornelles
(Porto Alegre), Hospital das Clínicas (São Paulo) e Hospital Ipanema do INAMPS
(Rio de Janeiro). Estas desenvolviam suas atividades na identificação de suas
populações microbianas e seus modos de transmissão (CRUZ, 2000).
Em 1979, em uma conferência patrocinada pela Organização Pan-
Americana de Saúde e pela Organização Mundial de Saúde, que tinha por objetivo
examinar os programas de controle de infecções hospitalares na América Latina,
foram recomendadas algumas medidas como desejáveis para os hospitais. Dentre
essas medidas destacam-se: a criação de CCIH (Comissão de Controle de Infecção
Hospitalar); manutenção de um sistema de vigilância epidemiológica; técnicas de
isolamento e precauções; educação e treinamento de pessoal; vigilância do meio
ambiente e organização de um sistema de informação das doenças de notificação
compulsória (MARTIN et al., 1979).
�
�
�
�%�
Na década de 80, começa a conscientização dos profissionais de saúde a
respeito do tema, com a criação de várias comissões pelo país. Em 1982, originou-
se o Núcleo Paulista de Estudos em Controle de Infecção Hospitalar, sendo o
primeiro grupo multiprofissional e interinstitucional a se reunir periodicamente
(FERNANDES, 2000).
O Ministério da Saúde (MS) cria, em 31 de janeiro de 1983, um grupo de
trabalho que gerou a Portaria MS 196/83, que recomendava aos hospitais a criação
de CCIH e dava orientações práticas sob a forma de anexos (BRASIL, 1983).
Ocorre então, em 1985, um fato histórico na política que deve ser citado.
Após um longo período de turbulência política, inicia-se o processo “Diretas Já”, em
prol das eleições para Presidente da República. O presidente então eleito Tancredo
Neves é operado, poucas horas antes de sua posse, de uma diverticulite intestinal e,
em sua convalescença, veio a falecer vitimado por uma infecção hospitalar
(LACERDA, 2000).
A partir deste fato, o assunto ganha uma nova conotação, fazendo com que
o Ministério da Saúde mudasse definitivamente os rumos do controle de infecção no
Brasil.
Ainda assim, em 1993, acreditava-se na existência de apenas 10,0% de
CCIHs nos hospitais brasileiros contra 2,3%, que havia sido estimado em 1980 pelo
Colégio Brasileiro dos Cirurgiões (LACERDA, 1996).
Em 1992, o Ministério da Saúde editou a Portaria 930/92 com o objetivo de
definir os princípios para o diagnóstico das IHs, entre outras atribuições.
Durante os anos 90, tramitava em votação um projeto de lei que tornava
obrigatório o controle de infecção hospitalar seguindo as recomendações da Portaria
�
�
�
�&�
MS 930/92, com a proposta de uma equipe própria e específica para executar ações
de controle de infecção. Em sua votação no Congresso, vários artigos foram
vetados, passando apenas a ser obrigatórios a existência de uma CCIH e o
programa de controle de infecções nos hospitais (BRASIL, 1992).
Segundo Fernandes (2000), ainda na década de 90, o Ministério da Saúde
identificou, através de uma pesquisa nacional, uma taxa de infecção hospitalar de
15,5%. Menos de 30,0% dos hospitais pesquisados realizavam busca ativa.
A Lei Federal 6.431, de 06/01/97, obriga todos os hospitais a constituírem
uma Comissão de Controle de Infecção Hospitalar (CCIH) e um Programa de
Controle de Infecções Hospitalares (PCIH), definido como um conjunto de ações
desenvolvidas deliberada e sistematicamente com o objetivo de reduzir a incidência
e gravidade das infecções nosocomiais.
Em 13/05/98, o Ministério da Saúde editou a Portaria MS 2.616/98 (anexo 3),
que instituiu diretrizes e normas para a execução destas ações (BRASIL, 1998).
3.3 Epidemiologia no Controle de Infecção Hospitalar
Para Lopes et al. (1999), a infecção hospitalar não está associada a um
único agente de risco causal, mas sim a uma complexa interação de fatores
relacionados ao hospedeiro, ao agente e ao ambiente hospitalar. Ainda segundo o
autor, se for conhecida a ocorrência e os determinantes das doenças e agravos à
saúde, estar-se-á objetivando ações para a prevenção.
�
�
�
�'�
Segundo Fletcher (1996), epidemiologia clínica é definida como:
É a ciência que faz predições sobre pacientes individuais contando eventos clínicos em paciente simulados e usando métodos científicos sólidos, em estudos de grupos de pacientes para assegurar que as medições sejam corretas.
Seu objetivo é o de desenvolver e aplicar métodos de observação clínica que levem a conclusões válidas, evitando ser enganado por erro sistemático ou aleatório. É uma abordagem importante para obter o tipo de informação que os clínicos precisam para tomar decisões acertadas no cuidados de pacientes.
Epidemiologia pode ser definida como o estudo de fatores que determinam a
freqüência e a distribuição das doenças nas coletividades humanas, segundo a
Associação Internacional de Epidemiologia (GALVANESE e WALDMAN, 2000).
A vigilância epidemiológica, através da coleta, análise e interpretação de
dados de saúde, visa o levantamento de taxas, orientação funcional e identificação
dos fatores de risco, entre outras funções.
Para Santos e Carneiro (1996), a noção de risco para a epidemiologia
corresponde à de probabilidade para a matemática. As medidas de risco permitem
identificar fatores de risco, que podem favorecer ou dificultar a ocorrência de doença
no grupo populacional considerado.
O fator de risco pode ser uma característica individual de um indivíduo,
como, por exemplo; a idade, a exposição a um risco ambiental ou a intervenção em
seu corpo.
Os fatores de risco, segundo o CDC (2000), são divididos em intrínsecos ou
extrínsecos. Os fatores intrínsecos constituem-se na predisposição para infecção,
determinada pelo tipo e gravidade da doença de base do hospedeiro. Os fatores
extrínsecos são divididos em:
a) estrutura: conjunto de recursos materiais à disposição da equipe de saúde
para a prestação da assistência;
�
�
�
�-�
b) agressões ao hospedeiro: são os procedimentos realizados nos
pacientes, como, por exemplo, sondas vesicais de demora ou ventiladores
mecânicos;
c) qualidade e tipo de processo de trabalho: constitui todo o trabalho
dispensado ao paciente pela equipe de saúde.
Segundo Mattos (2003), “a presença de um fator de risco aumenta a
probabilidade de que uma doença esteja presente, portanto esta informação pode
ser usada no processo diagnóstico.”
O conceito de causa é abordado como uma multiplicidade de condições
propícias que, reunidas em configurações adequadas, aumenta a probabilidade de
ocorrência - risco - de determinada doença ou evento adverso à saúde
(GALVANESE e WALDMAN, 2000; WALDMAN e ROSA, 2004).
O que se busca é identificar estas múltiplas condições e estabelecer
relações ou associações com a ocorrência de um dado fenômeno. Na associação
causal, a presença de determinado elemento ou característica é condição para o
desencadeamento ou evolução de uma doença. Neste caso, o elemento é o fator de
risco.
Normalmente, é possível identificar os fatores de risco para uma
determinada doença, pressupondo a existência de uma rede de fatores causais.
Para Couto e Pedrosa (1999), a vigilância epidemiológica de uma população
baseia-se no acompanhamento de pacientes com risco semelhante, podendo
envolver parte ou todo o hospital. A observação direta do paciente no leito constitui
uma ferramenta muito útil para o diagnóstico das infecções, fazendo parte do exame
�
�
�
���
os seguintes itens: uso de antibiótico, troca de curativo da ferida, soroterapia, uso de
nutrição parenteral, uso de sonda vesical, uso de cateter venoso central e
readmissão. Seguindo esses procedimentos, podem-se prever de 82 a 94% das
infecções, sendo possível que a enfermeira assistencial seja capaz de identificar
perto de 68% das infecções.
Segundo Gaze e Perez (2003), a vigilância epidemiológica das infecções
hospitalares deve levar em conta a rapidez no fluxo de informações, pois o ideal é o
reconhecimento precoce das epidemias. Um sistema de vigilância eficaz, com rápido
retorno e divulgação das informações, é medida fundamental para o auxílio
diagnóstico.
A identificação do nível endêmico das topografias das IHs é necessária para
que se possa estabelecer um programa de controle eficiente e se faz através da
coleta de dados. Os tipos de coleta de dados para infecção são (GAZE e PEREZ,
2003; HOEFEL, 2004):
a) Busca Ativa: é a feita pelos profissionais das CCIHs. Realizada pela visita
onde se encontram os pacientes, demanda mais tempo, porém oferece maior
confiabilidade nos resultados apresentados. Outra vantagem é a maior oferta de
treinamento pela CCIH, resultante de uma maior proximidade com a equipe
multidisciplinar e com as unidades do hospital.
b) Busca Passiva: é a realizada através das informações coletadas de outros
profissionais e que podem não estar treinados de maneira uniforme para o registro e
fornecimento dos dados. Por esta razão, as taxas tendem a ser menos fidedignas e
menores em comparação ao método anterior.
�
�
�
���
Também é importante a definição de algumas medidas estatísticas utilizadas
na área de epidemiologia e que estão relacionadas com infecção hospitalar
(VIRGILLITO, 2004):
- “Índices: são razões entre duas grandezas tais que uma exclui a outra.”
- “Coeficientes: são razões entre grandezas de mesma espécie, ou de eventos
ocorridos dentro de uma mesma natureza de elementos observados.”
- “Taxas: são coeficientes multiplicados por uma potência para que o resultado se
torne mais explicativo.”
3.4 Definições de Infecção Hospitalar ou Nosocomial
A Portaria 930/92 do Ministério da Saúde define princípios para o
diagnóstico de infecções hospitalares:
O diagnóstico de infecções hospitalares deverá valorizar informações oriundas de evidência clínica, derivada da observação direta do paciente ou da análise de seu prontuário: resultado de exames de laboratório, ressaltando-se os exames microbiológicos; a pesquisa de antígenos e anticorpos e métodos de visualização; evidências de estudos com métodos de imagem; endoscopia; biópsia e outros.
Estes princípios pressupõem a busca ativa de casos a partir de pistas
diagnósticas (BRASIL, 1992).
Segundo a Portaria 2.616/98 do Ministério da Saúde, Infecção Hospitalar
pode ser definida como (BRASIL, 1998):
É qualquer infecção adquirida após a internação do paciente e que se manifesta durante a internação ou mesmo após a alta, quando puder ser relacionada com a internação ou procedimentos hospitalares. Usam-se como critérios gerais:
�
�
�
���
1. Quando na mesma topografia em que foi diagnosticada infecção comunitária for isolado um germe diferente, seguido do agravamento das condições clínicas do paciente, o caso deverá ser considerado como hospitalar.
2. Quando se desconhecer o período de incubação do microorganismo e não houver evidência clínica e/ou dado laboratorial de infecção no momento da admissão, considera-se infecção hospitalar toda manifestação clínica de infecção que se apresentar 72 horas após a admissão. Também são consideradas hospitalares aquelas infecções manifestadas antes de se completar 72 horas da internação, quando associadas a procedimentos invasivos diagnósticos e/ou terapêuticos, realizados previamente.
3. As infecções no recém-nascido são hospitalares, com exceção das transmitidas de forma transplacentária e aquelas associadas à bolsa rota superior a 24 horas.
Devem-se diferenciar as infecções hospitalares das infecções comunitárias,
que são aquelas constatadas ou em incubação no ato da admissão do paciente,
desde que não relacionadas com internação anterior no mesmo hospital. Esta
definição também é conceituada pela Portaria acima citada (BRASIL, 1998).
De acordo com o Centro de Controle de Doença (CDC) – EUA, doença
hospitalar é aquela que se caracteriza pelo seu surgimento em decorrência da
internação hospitalar do indivíduo, manifestando-se, ainda, durante o período de
internação ou:
a) até 48 horas após alta da Unidade de Tratamento Intensivo;
b) até 30 dias após cirurgia sem colocação de prótese ou;
c) até um ano no caso de cirurgias com prótese.
No início dos anos 60, uma minoria dos hospitais americanos tinha
programas de controle de infecção hospitalar. Isso fez com que um manual fosse
editado pela American Hospital Association (AHA, 1974), contendo orientações
básicas para seu controle, entre as quais:
�
�
�
�"�
a) criação de uma comissão de controle de infecções, para notificação,
avaliação e acompanhamento dos casos, coordenando e criando
rotinas internas no hospital;
b) manutenção de um ambiente hospitalar higiênico;
c) instalações para isolamento de pacientes contaminados;
d) um serviço de microbiologia competente e adequado;
e) proteção adequada contra a contaminação dos alimentos.
Em 1970, é criado o National Nosocomial Infections Surveillance System –
NNIS, pelo CDC nos Estados Unidos, com a participação de hospitais com mais de
500 leitos, para estudar as infecções hospitalares. Alguns hospitais foram
convidados a enviar informações rotineiramente sobre infecção ao CDC. Este grupo
inicial era composto por 116 hospitais. Inicia-se, na mesma época, o projeto Study
on the Efficacy of Nosocomial Infection Control - SENIC, um estudo comprovando as
vantagens do controle de infecções (CDC, 2002).
A metodologia NNIS passa a calcular a densidade de incidência, que mede a
força de uma determinada patologia sobre uma população definida e não apenas a
probabilidade de uma pessoa adoecer. No caso das infecções hospitalares, o
número de casos de infecção é dividido pelo total de pacientes-dia em um
determinado período. O resultado pode ser interpretado como “risco diário de
exposição” (AHA, 1974).
Através do desenvolvimento de vários componentes (Vigilância Global;
Terapia Intensiva; Berçário de Alto Risco; Procedimentos Cirúrgicos), os hospitais
�
�
�
�#�
podem escolher com quais desejam trabalhar e comprometem-se a enviar ao CDC
os dados referentes à metodologia escolhida.
3.5 Estatísticas de Infecção Hospitalar
Segundo Cavanillas et al (1991), cerca de 50% das infecções hospitalares
estão associadas a procedimentos invasivos.
Os pacientes internados na Unidade de Terapia Intensiva possuem altos
riscos de adquirir infecções hospitalares devido à gravidade da doença, à
prolongada exposição a procedimentos invasivos e à extensa permanência na
unidade (MARTONE et al, 1991; SPENCER, 1994).
As taxas de infecções hospitalares em Unidades de Terapia Intensiva variam
de acordo com o tipo da unidade de hospital e é fundamental obter uma redução
progressiva das mesmas, adotando medidas de prevenção e controle preconizadas
(SPENCER, 1994).
Ao contrário do que se vê em países desenvolvidos, as estatísticas
apresentadas no Brasil possuem poucos dados atualizados sobre infecção
hospitalar.
No Estudo Brasileiro da Magnitude das Infecções Hospitalares em Hospitais
Terciários, realizado em 1994 pela Coordenação de Controle de Infecção Hospitalar
do Ministério da Saúde (COCIN), o objetivo era dimensionar o problema das
infecções hospitalares no Brasil. Para o estudo, foram sorteados 103 dos cerca de
8.000 hospitais existentes no país (MINISTÉRIO DA SAÚDE, 1995).
Entre maio e agosto de 1994, foram analisados dados de prevalência de
infecção, natureza do hospital, o uso de antibióticos e de procedimentos de risco
�
�
�
�$�
associados. A tabela 2 demonstra a distribuição topográfica em 99 hospitais
terciários em capitais do Brasil.
TABELA 2 - PREVALÊNCIA DE INFECÇÃO HOSPITALAR POR UNIDADE DE INTERNAÇÃO E DISTRIBUIÇÃO TOPOGRÁFICA (BRASIL, 1994)
�
Unidade Pneumonia Cirúrgica Cutânea Urinária Sistêmica Outras Taxa de IH
UTI Neonatal 29,0 1,6 11,3 0 21,8 36,3 58,2
UTI pediátrica 45,0 5,0 2,5 5,0 22,5 20,0 48,8
Queimados 8,7 4,3 82,6 4,3 0 0 41,8
UTI adulto 52,2 10,7 9,6 12,9 9,6 5,1 38,9
Neonatologia 22,1 0 24,2 3,2 17,9 32,6 16,2
Clínica cirúrgica 17,1 44,2 10,0 12,4 5,6 10,6 15,9
Clínica médica 31,5 2,7 20,0 14,5 9,6 21,7 11,5
Emergência 30,8 0 7,7 23,1 0 38,5 8,9
Obstetrícia 5,3 60,5 2,6 15,8 0 15,8 5,3
Total 29,0 15,7 15,4 11,3 10,1 18,5 15,5
Fonte: FERNANDES, RIBEIRO FILHO e BARROSO (2000).
Ainda na mesma pesquisa, realizada em 99 hospitais terciários das capitais
brasileiras, totalizando 8.624 pacientes com mais de 24 horas de internação, os
seguintes resultados foram obtidos:
• Taxa de Infecção Hospitalar6: 15,5%;�
• Prevalência de Infecção Hospitalar em pacientes com faixa etária de um
mês a um ano de idade7: 25,7%;�
• Taxa de Infecção Comunitária8: 34,9% (3.016 pacientes);�
• Taxa de pacientes em uso de antibiótico: 48%, sendo que 30,78% desses
pacientes não apresentavam infecção comunitária e/ou infecção hospitalar;�
• 46,1% (577) dos pacientes das clínicas cirúrgicas e 24,1% (303) dos
pacientes das clínicas médicas usavam antibiótico sem infecção aparente
ou diagnosticada;�
• Taxa de pacientes submetidos a exames microbiológicos: 10%;����������������������������������������� �������������������$�7������89�1���:3�������������������������� ��/;���,�����������������������������(�����
�����������������������������������������������(���<�7=7>�7+?������@��---A!�%������.����1�� ��0B.��������������������������������������/@��������������������/3����
�����������(��!�
�
�
�
�%�
• Taxa de pacientes com IH em neonatologia: 14,4%;�
• Taxa de pacientes com IH em obstetrícia: 4,7%.��
Infecções Hospitalares mais prevalentes:�
• Respiratória: 28,9%;�
• Cirúrgica: 15,6%;�
• Pele: 15,5,%;��
• Urinária: 11%;�
• 45,5% dos pacientes com traqueostomia portavam Infecção Hospitalar
respiratória.��
�
Prevalência de Infecções Hospitalares por Região:�
• Sudeste: 16,4% - (37 hospitais);�
• Norte: 11,5% - (8 hospitais);��
• Nordeste: 13,1% - (27 hospitais);�
• Sul: 9,0% - (15 hospitais);�
• Centro-Oeste: 7,2% - (12 hospitais).��
�
Prevalência de Infecção Hospitalar por natureza dos hospitais:�
• Público: 18,4%;�
• Filantrópico: 10,1%;�
• Ensino: 11,8%;�
• Privados sem fins lucrativos: 10,0%;�
• Privativos com fins lucrativos: 10,2%;�
• Misto: 15,0%.��
�
���������������������������������������� ���������������������������������������� ���������������������������������������� ���������������������������������������� ���������������������&�7�?����8� ��/3���������6���1���:3�������������������������� ��/;����������6������������������
�����(����������������������������������������������������(��!�
�
�
�
�&�
O tempo médio de internação no Sistema Único de Saúde (SUS) foi de 6
dias e o tempo médio de internação dos pacientes com infecção hospitalar foi de
21,7 dias.
Em um estudo encomendado pela Agência Nacional de Vigilância Sanitária -
ANVISA à Faculdade Saúde Pública da USP (FSP/USP), realizado em 4.148
hospitais brasileiros, representando 70% do total no período de 2001 a 2003, 72%
afirmaram que monitoram as infecções hospitalares mas por problemas
metodológicos, os indicadores e taxas obtidos são confiáveis em apenas 13% deles
(ANVISA, 2004).
No município de Curitiba, as taxas de IH apresentadas em 2000 e no
primeiro semestre de 2001 foram (tabela 3):
TABELA 3 – TAXAS DE INFECÇÃO HOSPITALAR EM CURITIBA ENTRE OS ANOS DE 2000 E
2003 �
Taxas 2000 2001 2002 2003
Taxa média de IH 2,51% 3,18% 2,50% 2,53%
Taxa média de IH em UTI
Adulto
8,43% 10,28% 8,98% 15,68%
Taxa média de IH em UTI
Neonatal
12,61% 14,31% 14,87% 15,83%
Fonte: Centro de Epidemiologia da Secretaria Municipal de Saúde de Curitiba-PR (2005).
�
�
�
�'�
3.6 Os Aspectos Econômicos das Infecções Hospitalares
Mesmo que no Brasil existam poucas estimativas sobre o impacto financeiro
das infecções hospitalares, não possibilitando uma pesquisa com dados atualizados
e informações mais detalhadas, a função custo pode ser comprovada nos poucos
trabalhos publicados e nos estudos realizados em outros países.
Segundo Altemeier (1988), uma das abordagens para o controle da infecção
no ambiente hospitalar é a função custo, que já provou ser significativa no contexto
institucional da saúde pública.
Jarvis (1996) cita que aproximadamente 2 milhões de infecções hospitalares
ocorrem nos Estados Unidos anualmente e estas vêm a causar um aumento da
duração do tempo de hospitalização, da letalidade e dos custos de internação. A
mortalidade estimada atribuída à infecção da corrente sanguínea e à pneumonia
ficou entre 23,8 e 50,0%, respectivamente. O custo aproximadamente estimado para
estas infecções ficou entre US$ 558,00 e US$ 593,00 para cada infecção urinária,
US$ 2.734,00 para cada infecção de sítio cirúrgico, de US$ 3.061,00 a US$
40.000,00 para infecções da corrente sanguínea e US$ 4.947,00 para cada
pneumonia. O autor ainda coloca que qualquer medida criada pelos hospitais a fim
de controlar as infecções hospitalares pode apresentar um custo benefício favorável.
Os custos podem ser classificados em diretos, indiretos, preventivos e
intangíveis.
Custo direto é aquele efetuado pelo hospital e pelo paciente. É o gasto no
diagnóstico e tratamento do paciente que adquiriu a nova patologia, incluindo as
�
�
�
�-�
diárias de internação, medicamentos e materiais, novos exames e a remuneração de
toda a equipe envolvida, além dos custos com isolamento. Estudos demonstram
que em média um paciente acometido por infecção hospitalar permanece internado
quatro dias a mais, com uma taxa de mortalidade de 3,6% e um custo médio direto
de US$ 2.100. A tabela 4 exemplifica os custos e profilaxia das IHs nos Estados
Unidos (FERNANDES, RIBEIRO FILHO e BAROSSO, 2000).
TABELA 4 - CUSTOS E PROFILAXIA DAS INFECÇÕES HOSPITALARES EM HOSPITAIS
AMERICANOS �
Tipo de
Infecção
Hospitalar
Distribuição
(%)
N. de
Diárias
Extras (%)
Custos
Extras em
US$
Letalidade
(%)
Redução da
Incidência
(%)
Cirúrgica 24,0 7,3 3.152 2,6 20-35
Pneumonia 10,0 5,9 5.683 13,3 13-27
Urinária 42,0 1,0 680 0,8 33-38
Sistêmica 5,0 7,4 3.517 13,0 15-38
Outras 19,0 4,8 1.617 3,3 32
Total 100,0 4,0 2.100 3,6 32-50
Fonte: FERNANDES, RIBEIRO FILHO e BARROSO (2000).
Também classificado como custo direto, os custos sociais diretos
ultrapassam os mencionados, pois interferem na alocação de recursos do Sistema
de Saúde de um modo geral, sendo repassados para um atendimento de alto custo
ou consumindo recursos da instituição de saúde que poderiam ser destinados a
outros fins.
Os custos indiretos são aqueles referentes à parada ou descontinuidade do
trabalho e da produção pelo paciente e representam todos aqueles que não podem
�
�
�
���
ser aferidos diretamente à IH. Porém, estão ligados à sua ocorrência, como, por
exemplo, a diminuição na rotatividade de leitos.
Para Lacerda (2000), os custos preventivos são representados pelas
despesas destinadas a evitar, reduzir e minimizar a ocorrência de infecção
hospitalar. Incluem-se aí a remuneração da equipe de saúde e da equipe
administrativa, o investimento em tecnologias de detecção e controle e os
relacionados à atualização dos profissionais envolvidos. Estima-se, nos Estados
Unidos, um custo preventivo de aproximadamente US$ 100.000,00 anuais para cada
150 leitos.
Os custos intangíveis são os custos relacionados às alterações afetivas,
emocionais, psicológicas decorrentes da doença, dor, sofrimento, isolamento. São
aqueles que afetam o paciente, sua família e pessoas ao seu redor e que podem ter
uma influência muito profunda na vida de uma pessoa. Como contabilizar um retorno
tardio às atividades de trabalho de uma pessoa, ou até de uma morte? Daí a
dificuldade de se determinar seu valor financeiro, apesar de tão importantes no
contexto geral. �
O problema da infecção hospitalar atinge os Estados Unidos, onde mais de 2
milhões de pacientes são acometidos por algum tipo de infecção hospitalar
anualmente. Isto significa uma taxa de aproximadamente 6% do total de internações,
ao custo anual de combate estimado em 4,5 bilhões de dólares ao ano (FROST e
SULLIVAN, 2000).
Para Sachs (2000), as infecções decorrentes do ato operatório, ou sítio
cirúrgico, representam um custo significativo no contexto hospitalar. Nos Estados
Unidos, dos 23 milhões de procedimentos anuais, pelo menos 920 mil desenvolvem
�
�
�
���
algum tipo de infecção. Com um acréscimo, em média, de sete a dez dias na
permanência do paciente e ainda custos indiretos com problemas de afastamento
profissional, familiares e sociais envolvidos, estimam-se US$ 750,00 por dia de
permanência, totalizando US$ 7.500,00 de custos extras.
Segundo Ferraz (1987), os custos hospitalares, descontando-se honorários
médicos e de enfermagem, podem chegar até três vezes o valor gasto em
comparação com pacientes que não desenvolveram infecção.
A infecção hospitalar determina o aumento da morbidade, mortalidade e
custos dos pacientes admitidos por qualquer causa no hospital (COUTO, PEDROSA
e NOGUEIRA, 1999).
De acordo com o Projeto SENIC, desenvolvido pelo Centers for Disease
Control and Prevention - CDC de Atlanta – EUA, e experiência de hospitais
brasileiros, 30,0% das IHs podem ser prevenidas pelas ações de Controle de
Infecção Hospitalar (CIH) . As demais dependem das condições intrínsecas do
paciente. A demonstração da redução baseada neste percentual pode ser vista na
tabela 5 (CDC, 2000).
�
�
�
���
TABELA 5 - ESTIMATIVA DE REDUTIBILIDADE DE PACIENTES COM INFECÇÃO HOSPITALAR NOS HOSPITAIS TERCIÁRIOS DAS CAPITAIS BRASILEIRAS
�
Região� Taxa Paciente IH¹� Pacientes
Internados���
SUS (Nº)²�
Estimativa���
Pacientes IH (Nº)�
Redutibilidade
Possível���
de Pacientes IH
(Nº)³�
Norte� 11,5� 831.533,0� 95.626� 66.938�
Nordeste� 13,1� 3,489.808,0� 457.165� 320.015�
C. Oeste� 7,2� 816.523,0� 58.790� 41.153�
Sudeste� 16,4� 4.654.354,0� 763.314� 534.320�
Sul� 9� 1.980.149,0� 178.213� 124.749�
Brasil� 13,09� 11.772.367,0� 1.541.002� 1.078.701�
��� � � � � � �
�Fonte: COCIN/SPS/MS (1998).��
C���IH - Infecção Hospitalar��D���SUS - Sistema Único de Saúde��E���Redutibilidade de 30%
De acordo com o CDC (2000) o aumento no número de diárias por
conseqüência de infecção hospitalar depende do tipo de infecção adquirida.
Estimam-se de 1 a 4 dias para infecção urinária, de 7 a 8 dias para infecções
cirúrgicas, de 7 a 21 dias para infecções de corrente sanguínea e de 7 a 30 dias
para pneumonias. O custo pode variar de US$ 600,00 para uma infecção de trato
urinário, US$ 5.000,00 para uma pneumonia e até US$ 50.000,00 para uma infecção
da corrente sanguínea com internamento prolongado.
Ainda segundo o mesmo órgão, aproximadamente 5 bilhões de dólares são
gastos anualmente como resultado de infecções hospitalares nos Estados Unidos. A
grande concentração de esforços gira em torno das enfermidades e dos óbitos
resultantes das infecções. Porém, o custo econômico é muito alto e deve ser
considerado como uma das razões para redução do número e da severidade das
infecções hospitalares (CDC, 2000).
�
�
�
�"�
3.7 Inteligência Artificial e Sistemas de Apoio à Decisão
Com o constante desenvolvimento da tecnologia em processamento de
dados, após o final da Segunda Guerra Mundial, alguns pesquisadores iniciaram a
procura de técnicas que permitissem que os computadores atuassem de maneira
semelhante aos seres humanos e/ou da natureza. Ao mesmo tempo, psicólogos
interessados em entender a forma pela qual os problemas eram resolvidos pelo
homem buscaram desenvolver programas que simulassem o comportamento
humano e da natureza. Assim nasceu a Inteligência Artificial (BITTENCOURT, 1998;
BARRETO, 1999).
Bittencourt (1998) descreve que Turing, durante a II Guerra Mundial,
conseguiu descobrir como decifrar códigos secretos utilizados pelos alemães nas
mensagens enviadas. Turing observou também que programas poderiam ser
armazenados na memória do computador e, para alterar sua função, bastava trocar
o programa para o mais adequado à solução de um problema.
Segundo o mesmo autor, “o objetivo central da Inteligência Artificial é a
criação de modelos para a inteligência e a construção de sistemas computacionais
baseados nesses modelos.”
Os primeiros esforços no estudo da Inteligência Artificial aconteceram no
encontro realizado no Darthmounth College, em 1956, onde nasceu o termo
“Inteligência Artificial”, de autoria de John McCarthy. O mesmo autor cria, no final da
década de 50, a linguagem LISP (List Processing ou processamento de listas),
�
�
�
�#�
considerada a primeira linguagem para pesquisa em Inteligência Artificial
(BARRETO, 1999).
Durante a mesma época, pesquisadores liderados por Edward Feigenbaum
e Joshua Lederberg projetaram um sistema chamado DENDRAL, para análise
química.
Em 1972, na França, surge a linguagem PROLOG, desenvolvida por Alain
Colmeraurer (BARRETO, 1999).
Segundo Cherniak e McDermott (1985), Inteligência Artificial é o estudo das
faculdades mentais com o uso de modelos computacionais.
Para Rabuske (1995), é o resultado da aplicação de técnicas e recursos,
especialmente de natureza não numérica, viabilizando a solução de problemas que
exigiriam do ser humano certo grau de raciocínio e de perícia.
Os Sistemas de Apoio a Decisão (SAD) ou também chamados de Sistemas
Especialistas (SE) auxiliam o profissional na tomada de decisão, trazendo, no caso
da área de saúde, benefícios para o paciente e melhoria da qualidade da
assistência, uma vez que trabalham no sentido de reduzir a incerteza. O termo
surgiu porque os primeiros sistemas desenvolvidos utilizavam entrevistas a
reconhecidos especialistas (HARMON e KING, 1988).
Sistemas Especialistas são programas simulam a inteligência, que usam
conhecimentos e procedimentos inferenciais para resolver problemas que requerem,
para sua solução, muita perícia humana, devendo apresentar um comportamento
semelhante a um especialista de um determinado domínio (BARRETO, 1999).
�
�
�
�$�
Para Waterman (1986), o centro de um sistema especialista é o poderoso
corpo de conhecimento que acumula, e este conhecimento deve ser armazenado de
forma explícita e organizada.
Segundo Schildt (1989), o conhecimento de um sistema especialista está
apoiado na experiência profissional de um ou mais especialistas em uma
determinada área do conhecimento, permitindo a preservação e transmissão destes
conhecimentos para outros profissionais e contribuindo para a formação e
aperfeiçoamento de novos profissionais.
Para Fisher et al (1998), o principal produto da assistência à saúde são as
decisões que impactam no bem-estar do paciente. O volume e a complexidade dos
dados e informações em cada processo de decisões em saúde estão crescendo a
cada dia e as decisões requerem um conjunto de dados, informações e
conhecimento cujo volume e precisão estão além da capacidade de memória dos
profissionais envolvidos na assistência.
Ferramentas de apoio à decisão são oferecidas através de sistemas de
informação, além de prover os meios de comunicação da informação sobre clientes
em particular e sobre a população da qual fazem parte. Estas ferramentas podem
ser utilizadas como meio para distribuir “inteligência” requerida para apoiar o
processo de decisão, visando uma assistência mais efetiva e eficiente. Sua
concepção depende da interação de profissionais da área de Sistemas e do forte
apoio dos futuros usuários, detentores do conhecimento específico sobre o assunto
a ser tratado (STUMPF et al., 1998).
Para a construção de um sistema especialista, são necessárias inicialmente
a aquisição e formalização do conhecimento. Esta etapa é de grande complexidade,
�
�
�
�%�
pois implica na conversão do conhecimento, às vezes subjetivo por se tratar de uma
ciência não exata para o formato computacional. A escolha do método de
representação do conhecimento é a parte mais importante no projeto de um sistema
especialista (HARMON e KING, 1988).
Um sistema especialista é composto basicamente, pelos seguintes módulos:
base do conhecimento, motor ou máquina de inferência e a interface com o usuário
(figura 1) (RABUSKE, 1995).
FIGURA 1 – ESTRUTURA CONVENCIONAL DE UM SISTEMA ESPECIALISTA �
Na base do conhecimento, de acordo com a técnica utilizada, estão os fatos,
regras, conceitos e definições. O motor de inferência contém as estratégias de
inferência, ou seja, faz a busca da solução do problema estabelecido, manipulando
fatos e regras da base do conhecimento. A interface é a parte do sistema
responsável pela comunicação com o usuário (CHAIBEN, 2002).
Segundo Metzger e MacDonald (2002), as ferramentas de apoio à decisão
em saúde devem oferecer ajuda aos profissionais envolvidos no sentido de
�
�
�
�&�
reconhecer que existe a necessidade de avaliar mais informação sobre o caso;
disponibilizar informação imediata sobre um caso; obter informação sintetizada e
organizada para suporte à decisão clínica. Estas ferramentas devem ser utilizadas
para diagnóstico, plano de cuidados e tratamento individual dos pacientes,
auxiliando os médicos na geração de alertas e na redução da incerteza, de maneira
geral.
Ainda para os mesmos autores, médico e paciente ganham com o uso
destas ferramentas, pois, quanto menos tempo for consumido para assimilar a
informação, mais tempo poderá ser dispensado diretamente ao paciente. Os
sistemas de apoio à decisão podem ser reunidos em três grandes grupos:
a) os que oferecem um relevante conhecimento ao médico, a ponto de
apoiar no suporte à decisão;
b) os que auxiliam no manejo individual do paciente, assimilando as
informações importantes sobre seu tratamento e identificando as mais apropriadas
formas de intervenção;
c) aqueles que oferecem recomendações de saúde a uma população de
pacientes através do desenvolvimento de planos de tratamento durante a
internação.
�
3.7.1 Sistemas Especialistas em Medicina e Infecção Hospitalar
A literatura mostra um grande número de sistemas especialistas na área
médica, criados no sentido de reduzir a incerteza.
�
�
�
�'�
Um dos primeiros experimentos de sistema para diagnóstico médico na área
de terapia antimicrobiana foi o MYCIN, de autoria de Shortliffe (1976). Utilizando a
técnica de regras, os dados eram informados ao sistema através de uma série de
questões e, ao final, o sistema apresentava as opções de terapia mais indicadas
(RICH e KNIGHT, 1991).
Outro exemplo de sistema é o “Computerized Infectious Disease Monitor
(CIDM)”, que foi capaz de identificar mais de 90% das infecções hospitalares no LDS
Hospital, na cidade de Salt Lake City – Utah, EUA. Atualmente, o CIDM é um
subsistema do sistema HELP (Health Evaluation Trought Logical Processing),
implantado no mesmo hospital. O sistema foi inicialmente desenvolvido para a
detecção de infecção hospitalar em pacientes adultos, utilizando os resultados
laboratoriais, microbiologia, combinados com outros achados como: exames de
radiologia, prescrições de medicamentos e dados de admissão dos pacientes. No
momento em que um teste de sangue, por exemplo, apresenta sinal positivo para
uma certa cultura, o sistema calcula a probabilidade de infecção hospitalar para o
paciente. O sistema apresentou uma sensibilidade de 90% para detecção de
infecção (EVANS, et al 1988).
O sistema especialista Germwatcher foi desenvolvido por Kanh (1996), do
Departamento de Informática Médica da Universidade de Washington, para
identificar critérios de cultura para infecção hospitalar baseados no projeto NNIS.
Dados de cultura de microbiologia armazenados no sistema de laboratório do
hospital são monitorados pelo SE, que procura e identifica valores positivos para
infecção hospitalar. Em um estudo comparativo com a identificação de culturas,
realizado com três enfermeiras de controle de infecção e o sistema Germwatcher, foi
�
�
�
"-�
apresentada, após ajustes, uma taxa de aceitação de 96,5%. Testes mostraram uma
sensibilidade de 99,3% e especificidade de 97,2%.
Broderick et al. (1990) desenvolveu uma pesquisa visando identificar
pacientes com maior probabilidade de adquirir infecção hospitalar, utilizando um
método de regressão logística. O sistema pode avaliar cinco variáveis que poderiam
predizer uma infecção: idade do paciente, dias de antibiótico, dias de hospitalização,
número de dias entre cada cultura urinária e/ou cultura de ferida obtida. O método
apresentou uma sensibilidade de 80,7% e uma especificidade de 97,5% em um
período de dois meses de testes.
Pozo (1991) desenvolveu um SE baseado em regras para treinamento de
pessoas no controle de infecção hospitalar. Através da apresentação de temas,
propostas de problemas para resolução, perguntas-respostas e descrição de
conceitos, o sistema efetuava uma comunicação amigável com o aluno, visando,
além do treinamento, o planejamento de ações de controle das IHs.
Rocha et al. (1994) e Rocha et al. (1996) apresentaram os resultados de um
sistema especialista na detecção de infecções hospitalares em pacientes pediátricos
hospitalizados, baseado em regras. O sistema teve uma sensibilidade de 100% na
detecção de bacteremias e 57% na detecção de infecções cirúrgicas, quando
comparado a um “gold-standard”.
Rocha (1997) desenvolveu e implantou o COMPISS, um sistema de alerta
de infecção hospitalar, baseado em regras, implementado no LDS Hospital – Primary
Children’s Medical Center (PCMC) – Utah, EUA. Foram obtidas uma sensibilidade de
84,5% e uma especificidade de 92,8%. Em um estudo de validação de casos, o
�
�
�
"��
COMPISS obteve uma sensibilidade de 100% para infecções na corrente sanguínea.
No mesmo estudo, o método manual obteve uma sensibilidade de 42,6%.
Em um segundo estudo, onde o sistema foi apresentado a especialistas de
algumas unidades do PCMC, demonstrou-se que o sistema não apresentou
diferença entre os alertas do sistema e do método manual utilizado pelos
especialistas, não alterando o protocolo utilizado no tratamento dos pacientes. Ainda
assim, demonstrou-se que tanto o corpo clínico como o de enfermagem considerou
que os alertas podiam ser de grande utilidade.
Koehler, Nassar e Pires (1998) apresentaram uma Rede Bayesiana para
diagnóstico de desnutrição infantil, denominado SISPAN – Sistema Pediátrico de
Avaliação Nutricional, integrando informações antropométricas e sintomas relevantes
para determinar a probabilidade da doença. Segundo os autores, o sistema se
mostrou eficaz no ensino e diagnóstico médico porque conduziu o especialista a
repensar o seu raciocínio clínico, além de um suporte ao ensino.
Thompson (1999) automatizou a comunicação de dados do paciente sobre
infecção hospitalar através de um sistema, utilizando a digitalização de um
questionário, criado com espaço para respostas objetivas ou numéricas. Depois de
respondidos pela equipe de enfermagem e corpo clínico, os questionários eram
digitalizados e processados pelo sistema. O resultado mostrou que o mesmo pode
detectar casos de infecção hospitalar 22 vezes mais rápido que a entrada manual de
dados e com um acerto de 99,98%.
Mahieu et al (2000) desenvolveu um método de pesos para predição de
sepsis hospitalar em pacientes recém-natos internados em UTIs neonatais,
analisando, durante 2 anos, 104 episódios de possível diagnóstico positivo. O
�
�
�
"��
método, denominado NOSEP-1, foi baseado em fatores de risco e mostrou-se capaz
de diagnosticar precocemente a ocorrência de sepsis nestes pacientes.
Ribeiro (2000), a partir da observação de 2.956 pacientes internados em
cinco Unidades de Terapia Intensiva diferentes, adaptou um sistema, denominado
ASIS Modificado, que visava estimar a probabilidade de um paciente contrair
infecção hospitalar. O sistema utilizou quatro fatores de risco: ventilação mecânica;
insuficiência renal aguda; cuidado intensivo médico-enfermagem e acesso venoso
central. A partir da combinação das quatro variáveis, foram criadas 5 categorias de
risco esperado de IH, com as seguintes probabilidades médias: a) 4,9%; b) 11,5%; c)
25,1%; d) 29,9%; e) 42,4%. Como resultado, o sistema apresentou uma forte
tendência de associação com a ocorrência de infecção hospitalar, além de baixo
custo de implantação.
Rocha et al. (2001) realizou uma pesquisa com a equipe de saúde onde o
sistema COMPISS foi instalado e constatou que o sistema não obteve sucesso em
influenciar os protocolos e práticas médicas associadas às infecções. Três causas
foram associadas ao resultado: a metodologia adotada na pesquisa; a integração
somente parcial do sistema proposta com o sistema hospitalar e que os alertas não
tiveram efeito no tratamento dado ao paciente.
Segundo a ANVISA, o controle das infecções hospitalares constitui um dos
maiores desafios do sistema de saúde. Diversos estudos apontam para a
possibilidade de redução de 30 a 70% na ocorrência dessas infecções, identificando
os programas de monitoramento como uma das principais ferramentas para esta
diminuição (ANVISA, 2004).
�
�
�
"��
Em 2004, a ANVISA desenvolveu o sistema denominado SINAIS - Sistema
Nacional de Informação para o Controle de Infecções em Serviços de Saúde, cujo
objetivo é oferecer aos hospitais uma ferramenta informatizada para aprimoramento
das ações de prevenção e controle das infecções relacionadas à assistência à
saúde.
O sistema permite a entrada de dados e emissão de relatórios sobre
infecção hospitalar como medida de apoio ao trabalho já realizado pelas Comissões
de Infecção Hospitalar, possibilitando analisar os indicadores e o impacto das
medidas adotadas. O sistema é gratuito e pode gerar informes que são enviados à
ANVISA, o que permitirá a análise de indicadores (ANVISA, 2004).
3.8 Teorema de Bayes e Redes Bayesianas
Segundo Souza (2002), a incerteza pode ser definida como a propriedade
que as coisas têm de não serem completamente previsíveis, podendo ser
minimizada, mas nunca completamente eliminada. Dentre suas causas estão:
- a ignorância, ou falta de conhecimento, sobre os fatores relevantes e o seu
relacionamento;
- a medição imprecisa, que é o conhecimento falso de qual é a real
importância dos fatores tidos como relevantes;
- o Princípio da Incerteza de Heisenberg, no qual o próprio processo de
mensuração pode levar o pesquisador a alterações substanciais naquilo que se quer
medir;
�
�
�
""�
- a aleatoriedade, variabilidade, instabilidade ou indeterminismo sobre coisas
ou fatos.
Probabilidade é um conceito filosófico e matemático que permite a
quantificação da incerteza que irá viabilizar a aferição, análise, previsão ou
orientação sobre um determinado assunto (IATROS, 2002).
Quando se estudam eventos onde a ocorrência de um afeta a ocorrência do
outro, diz-se que os dois são dependentes e as probabilidades entre eles são
condicionais. O valor desta probabilidade é dado pelo Teorema de Bayes (TB)
(MAGNANINI et al, 2003; IATROS, 2002).
Thomas Bayes (1702-1761), reverendo inglês, realizou uma demonstração
para calcular a probabilidade de um evento acontecer, dado que um outro já tenho
ocorrido. Seu método consiste na partição do espaço amostral em diversos
subconjuntos cujas probabilidades sejam conhecidas e, em seguida, aplicar sua
fórmula. O TB permite o ajuste da probabilidade a priori (aquela que é conhecida) de
um dado evento, uma vez que se mostram novas evidências envolvendo um outro
evento que apresenta relação de dependência com o primeiro (PEARL, 1988;
IATROS, 2002).
O Teorema de Bayes é formulado como:
( )( )� =
⋅⋅=
�
��������
�����������
�AF<
A<FAF<
�
�
�
"#�
Onde:
Hi é a hipótese cuja probabilidade se quer calcular, dado que o evento E
tenha ocorrido. Hj representa genericamente uma das partições do espaço amostral.
P (Hi | E) é a probabilidade que a hipótese Hi seja verdadeira dada a
evidência E.
P (E | Hi) é a probabilidade que a evidência E seja observada se a hipótese
Hi for verdadeira.
P (Hi) é a probabilidade a priori que a hipótese H é verdadeira na ausência
de qualquer evidência específica.
K é o número de hipóteses possíveis.
O Teorema de Bayes fornece um formalismo, raciocinando sobre opiniões
ou convicções parciais sob condições de incerteza. Neste formalismo, as
proposições ganham parâmetros numéricos que vão significar o grau de convicção
sobre um conhecimento. Estes parâmetros são então combinados e manipulados de
acordo com a probabilidade do evento acontecer (PEARL, 1988).
No TB, a crença é propagada pela rede, computando todas as
probabilidades posteriores de uma hipótese, a partir da observação de uma
evidência. Na utilização da teoria das probabilidades para representar a incerteza,
os sistemas especialistas devem obter as prioridades condicionais dos especialistas
na área (NG e ABRAMSON, 1990).
Um dos elementos principais do TB é a noção de crença. Segundo a crença
de que um fato aconteça a partir da correlação de alguns fatores determinantes,
pode-se calcular a probabilidade de que um novo fato venha a acontecer, dada a
presença dos mesmos fatores (PRADHAN, 1993).
�
�
�
"$�
Para Montironi et al. (1996), o TB pode calcular a probabilidade de um
evento (por exemplo um diagnóstico), se alguns outros eventos ocorreram, como:
observações ou dados clínicos. Segundo o autor, a construção de uma Rede
Bayesiana deve seguir os seguintes passos: definição do nó de decisão; definição
dos nós de evidência; definição da relação entre as evidências e a decisão e
inicialização da rede. Após, definem-se as probabilidades condicionais e a priori.
O Teorema de Bayes, para Bittencourt (1998), provê a base para o
tratamento da imperfeição ou incerteza da informação em sistemas baseados no
conhecimento. Segundo o teorema, é possível computar uma probabilidade de um
dado evento, dado um conjunto de observações.
O problema da aplicação do TB em saúde é que, para a definição do
diagnóstico de uma doença, é necessário um conjunto de sintomas e suas
probabilidades. Portanto, quando maior o número de doenças e sintomas, mais difícil
será a obtenção do conjunto de probabilidades. Esta explosão de probabilidades
necessárias torna impraticável a aplicação do TB em casos relativamente simples,
quanto mais nos casos complexos (SHORTLIFFE e PERREAULT, 2001).
Visando a amenização deste problema, torna-se necessário considerar a
independência entre os sintomas e entre os sintomas e a doença. Assim, surgiram
as Redes Bayesianas, que conseguiram reduzir o esforço computacional necessário
para a aplicação do TB (DEGOULET e FIESCHI, 1996).
�
�
�
�
"%�
3.9 Redes Bayesianas
Uma Rede Bayesiana (RB) é uma forma de representar o conhecimento em
um sistema especialista probabilístico. Possui uma parte estrutural, que reflete as
relações causais entre as entradas e a saída do sistema, quantificada por valores de
probabilidade condicional (NASSAR, 2003).
Uma RB é constituída de um modelo gráfico, constituído por nós e arcos que
representam respectivamente as variáveis do universo estudado e as dependências
entre estas. A direção dos arcos representa a relação de causa-consequência entre
as variáveis. Na associação entre as variáveis, existe uma representação de
probabilidades, onde são definidas somente as probabilidades condicionais de cada
nó em relação aos seus pais (PEARL, 1988; SAHEKI et al, 2003).
Ainda segundo os mesmos autores, para a aplicação das Redes
Bayesianas, é necessário que se obedeça à condição de Markov, de que não existe
uma relação de dependência direta entre quaisquer dos nós, a não ser que exista
um arco entre eles na rede. Também para sua concepção, deve-se levar em
consideração que a relação de causa precede o efeito.
Uma RB é composta de duas partes, qualitativa e quantitativa, assim
descritas (GAAG, 1996, NASSAR, 2003):
Qualitativa: É a parte apresentada por um modelo gráfico (figura 2), sendo
as variáveis representadas por nós e a relação entre elas representadas por arcos
direcionados (TU et al, 1993).
�
�
�
"&�
FIGURA 2 – EXEMPLO DA PARTE QUALITATIVA DE UMA REDE BAYESIANA
Quantitativa: É o conjunto de probabilidades condicionais associadas a
cada arco criado no modelo gráfico, a priori, das hipóteses diagnósticas (figura 3). A
parte quantitativa mede a probabilidade com que o paciente satisfaz um determinado
critério (TU et al, 1993).
A parte quantitativa pode ser obtida através dos especialistas no domínio do
conhecimento da RB ou através de um arquivo de casos (PEARL, 1988), técnica
esta utilizada neste trabalho.
�
FIGURA 3 – EXEMPLO DA PARTE QUANTITATIVA DE UMA REDE BAYESIANA
�
�
�
"'�
A figura 4 mostra a RB com as duas partes, qualitativa e quantitativa, já
integradas às tabelas de probabilidade condicionais.
FIGURA 4 – REDE BAYESIANA COM AS PARTE QUALITATIVA E QUANTITATIVA INTEGRADAS
A probabilidade obtida de um arquivo de casos pode ser calculada
automaticamente pelo sistema, desde que se assegure que esta base seja
representativa. Neste caso, diz-se que a rede aprende com os casos. Se isso não
ocorrer, a RB não poderá corresponder à realidade.
Redes Bayesianas, quando aplicadas na solução de problemas de redução
da incerteza ou redução das variáveis em medicina, auxiliam a comunicação devido
à sua representação de modelo gráfico, mostrando as relações causais da mesma
maneira como os profissionais as estabelecem naturalmente em sua prática
cotidiana. Foi devido ao formalismo matemático do teorema e sua representação
gráfica que as Redes Bayesianas apresentaram tanto sucesso como ferramentas de
inteligência artificial em aplicações práticas para a medicina (BEINLICH et al, 1989).
As Redes Bayesianas, também conhecidas como redes de Bayes, redes de
crença ou redes de causa probabilística, oferecem um método de representar o
�
�
�
#-�
relacionamento entre variáveis, mesmo se este relacionamento envolver incerteza
ou imprecisão (BERNER, 1998).
As RBs podem ser treinadas diretamente a partir de uma base de dados,
criadas por especialistas ou desenvolvidas em combinação com estas duas técnicas.
Elas capturam conhecimento de maneira modular e este conhecimento pode ser
transportado de uma situação para outra, de maneira que o usuário possa visualizar
claramente os relacionamentos envolvidos (NORSYS, 1998).
3.9.1 Vantagens e Desvantagens das Redes Bayesianas
As Redes Bayesianas são utilizadas principalmente na análise e processo
de decisão, e são baseadas nas probabilidades apresentadas. Outra utilização é a
visualização da propagação da probabilidade em toda a rede, a partir da entrada de
cada nó (COUPE, 1999; NASSAR, 2003).
O quadro 1 mostra uma comparação entre suas vantagens e desvantagens
(NEVES, 2002; DIAS, 2004):
�
�
�
#��
QUADRO 1 – QUADRO COMPARATIVO ENTRE VANTAGENS E DESVANTAGENS DAS REDES BAYESIANAS �
Vantagem Desvantagem
Construção simples, facilitada por ferramentas
“shell”.
Modelagem intuitiva do conhecimento do
especialista no domínio. A representação gráfica
facilita a aquisição, explicitação e verificação do
conhecimento.
O especialista necessita de um conhecimento
detalhado do domínio a ser trabalhado, sob
pena de se obter uma rede de boa
apresentação porém de pouca
representatividade.
Possui sólida fundamentação matemática para
representar e manipular incertezas.
Nem todos os dados precisam estar presentes. A
RB pode operar com valores nulos, que não
foram informados pelo especialista ou que não
foram testados (“missing data”).
Limitação da precisão e desempenho. Caso as
probabilidades a priori e condicionais estiverem
baseadas em banco de dados ou resultados
estatísticos, o número de amostras deverá ser
representativo.
Habilidade de gerenciar incertezas.
Modularidade: novos dados podem ser
incorporados ao sistema. A RB pode incorporar
as novas evidências e atualizar as
probabilidades.
Em análise de decisão uma faixa de
probabilidade a priori é suficiente. Entretanto,
se a obtenção da probabilidade a priori for
irrealizável, o TB será de pouca utilidade.
Permite trabalhar também com raciocínio
categórico.
Deve-se ter cuidado com a violação da
independência condicional e exclusividade
mútua.
Pode-se observar que as vantagens das RBs concentram-se no seu
formalismo e na maneira com que tratam as probabilidades, enquanto suas
desvantagens estão agrupadas na sua concepção, formatação e representação do
conhecimento.
Em comparação com o modelo de decisão baseado em Regras, as Redes
Bayesianas possuem a vantagem de possibilitar a inclusão de uma nova evidência,
apenas incluindo um novo nó na rede e suas probabilidades.
�
�
�
#��
3.9.2 Ferramentas “SHELL” para Redes Bayesianas
O progresso das Redes Bayesianas também se dá graças ao número de
programas disponíveis no mercado, ferramentas denominadas “Shell”. Estas
ferramentas são softwares desenvolvidos para expressar uma Rede Bayesiana e
seu raciocínio probabilista de maneira gráfica, acelerando o processo de construção
e oferecendo recursos de troca de informação com outros sistemas.
O quadro 2 faz uma comparação entre as principais ferramentas disponíveis.
QUADRO 2 – COMPARAÇÃO DAS PRINCIPAIS FERRAMENTAS “SHELL” NO MERCADO. �
Software / Desenvolvedor
Disponível em: Plataforma1 Vantagens
NETICA / Norsys Corp.
www.norsys.com W, U, M API2 para Linguagem C, Java e outras. Aprendizagem por casos. Boa apresentação gráfica e fácil manuseio. Permite a entrada de relações probabilísticas através de equações.
HUGINS / Hugin Expert A/S
www.hugin.com W, U Ferramenta de auxílio na aprendizagem. Suporte a vários tipos de dados para cada variável. Gerador de documentação da RB.
BayesiaLab / Bayesia Ltd
www.bayesia.com W Tutorial para construção de RBs. Ótima apresentação gráfica. Ferramenta de análise da RB. Data mining incorporado no software, podendo ser utilizado para montagem da RB. Conectividade ODBC, Interface SQL.
Microsoft Belief Networks / Microsoft Corp.
www.research.microsoft.com/adapt/MSBNx/
W Representação de um arquivo texto de redes de crença. Integração com outros sistemas através de uma dll (dynamic-link library) simples.
DxPress / Knowledge Industries
www.kic.com W API2 . Compilação da base do conhecimento para sistemas embarcados. Publicação da base do conhecimento diretamente para ambiente web.
BNet / Charles River Analytics Inc.
www.cra.com W, U, M Multi-plataforma, Java. Prevê ferramenta para construção de RBs multi-plataformas de incorporação em outros sistemas.
BayesWare Discoverer
bayesware.com W Criação de RBs a partir de banco de dados, utilizando a busca de modelos probabilísticos.
�
1 – W= Windows; U=Unix; M=Macintosh 2 – API=Application Program Interface (Função para integração com outros sistemas)
�
�
�
#��
3.10 Testes Diagnósticos para Redes Bayesianas
Os testes diagnósticos visam medir a precisão das RBs. Os instrumentos
utilizados são os mesmos apresentados em testes estatísticos de outra natureza.
Após a construção da rede e definição das probabilidades a priori, pode-se
testar seu desempenho, comparando os resultados obtidos com os resultados de um
“padrão-ouro”.
O padrão-ouro, também conhecido com gold-standard ou também teste-
padrão, é necessário para a determinação da sensibilidade e da especificidade nos
testes diagnósticos. Trata-se de um comparativo do resultado da pesquisa realizada
com outra pesquisa com resultados tidos como aceitos (LOPES et al., 1999).
Berner (1998) cita que uma das primeiras aplicações médicas utilizando o
TB foi desenvolvida por Warner et al., em 1960, e nela o autor comentava sobre a
necessidade de um “padrão-ouro” para o teste de diagnóstico de uma RB.
Neste trabalho, serão utilizados instrumentos para descrição e análise
epidemiológica que convêm serem descritos (MEDRONHO e PEREZ, 2003;
WERNECK e ALMEIDA, 2003):
Verdadeiro Positivo (VP): É o resultado positivo de um teste para um
indivíduo que apresente a doença.
Verdadeiro Negativo (VN): É o resultado negativo de um teste para um
indivíduo que não apresente a doença.
Falso Positivo (FP): É o resultado positivo de um teste para um indivíduo
que não apresente a doença.
�
�
�
#"�
Falso Negativo (FN): É o resultado negativo de um teste para um indivíduo
que apresente a doença.
O objetivo de todo teste é servir como um critério para determinar se o
resultado é normal ou anormal (Tabela 6). Assim, tem-se:
TABELA 6 - TABELA DE CONTINGÊNCIA PARA RESULTADOS DE TESTES �
DOENÇA
PRESENTE AUSENTE Total
POSITIVO VP FP VP + FP Resultado do
Teste NEGATIVO FN VN FN + VN
Total VP + FN FP + VN VP+FP+FN+VN
SENSIBILIDADE: é a proporção de verdadeiros positivos entre todos os
doentes. Mostra a probabilidade de um resultado se apresentar positivo quando a
doença está presente. É calculada da seguinte forma:
FNVPVP
ADESENSIBILID+
=
ESPECIFICIDADE: é a proporção dos verdadeiros negativos entre todos os
sadios. Mostra a probabilidade de um resultado se apresentar negativo quando a
doença não está presente. É calculada da seguinte forma:
VN FPVN
DADEESPECIFICI+
=
�
�
�
##�
VALOR PREDITIVO POSITIVO (VPP): é a proporção de verdadeiros
positivos entre todos os indivíduos com resultado positivo. Mostra a probabilidade de
um indivíduo com o resultado positivo ter a doença. É calculada da seguinte forma:
FPVPVP
VPP+
= �
VALOR PREDITIVO NEGATIVO (VPN): é a proporção de verdadeiros
negativos entre todos os indivíduos com resultado negativo. Mostra a probabilidade
de um indivíduo com o resultado negativo não ter a doença. É calculada da seguinte
forma:
VNFNVN
VPN+
=
PROBABILIDADE DE FALSO POSITIVO (PFP): É a proporção de
verdadeiros positivos entre todos os sadios. Mostra a probabilidade do teste ser
positivo e o indivíduo não ter a doença. É calculada da seguinte forma:
VNFPFP
PFP+
=
�
PROBABILIDADE DE FALSO NEGATIVO (PFN): É a proporção de falsos
negativos entre todos os doentes. Mostra a probabilidade do teste ser negativo e o
indivíduo ter a doença. É calculada da seguinte forma:
FN VPFN
PFN+
=
�
�
�
#$�
Segundo Berner (2003), os cálculos de sensibilidade e especificidade podem
ser utilizados pelos usuários como uma forma de avaliar o desempenho de um
sistema especialista.
3.11 Redes Bayesianas Aplicadas à Área da Saúde
As RB têm sido cada vez mais utilizadas na área médica em razão da forma
com que tratam a incerteza, assemelhando-se ao formato do processo de decisão
do profissional de saúde (TU, KEMPER et al., 1993).
Malakoff (1999) cita pesquisa realizada pela indústria farmacêutica Pfizer, na
Inglaterra, utilizando estudo bayesiano na conduta sobre um determinado
medicamento. O uso da técnica teve como resultado uma redução de 30% na
quantidade de pacientes necessários, em comparação com os métodos tradicionais
para a mesma conclusão.
A aquisição do conhecimento do especialista deve permitir chegar-se a uma
base de conhecimento representada como uma Rede Bayesiana.
A probabilidade subjetiva trata de eventos que não possuem uma série
histórica inscrita em uma base de dados, sendo então uma crença ou opinião
expressa como uma probabilidade. Neste caso, o conhecimento dos especialistas é
utilizado para a distribuição das probabilidades que podem ser alteradas, buscando
a melhor distribuição e o melhor resultado (MONTIRONI et al, 1996; COIERA, 1997).
�
�
�
#%�
Para Barreto (1999), as Redes Bayesianas possuem algumas dificuldades
na sua representação, pois a obtenção das probabilidades das hipóteses,
probabilidades a priori e das probabilidades condicionais devem ser feitas por
especialistas no domínio do conhecimento do assunto a ser tratado. Outra questão é
que a base do conhecimento tem que ser completa, com todas as evidências
explícitas. Existe ainda o problema que as evidências para o cálculo das
probabilidades são independentes, o que não acontece no caso de doenças ou
variações em seres humanos.
A utilização do Teorema de Bayes em experimentos na área de saúde vem
crescendo com bastante rapidez ao longo dos anos. Segundo estudo demonstrado
pelo gráfico 1, a publicação de trabalhos em revistas médicas utilizando o Teorema
de Bayes é cada vez maior (GOODMAN, 2001; NCBI, 2005).
GRÁFICO 1 - NÚMERO DE ARTIGOS SOBRE TEOREMA DE BAYES EM REVISTAS MÉDICAS, PESQUISADOS NO MEDLINE ENTRE 1970 E 2004 (NCBI, 2005)
0
100
200
300
400
500
600
700
800
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
�
�
�
#&�
Segundo Pereira (2002), o Teorema de Bayes transforma a crença a priori
ou seja, a prevalência antes do teste, em crença a posteriori através da
verossimilhança.
Toledo (2001) apresentou uma RB para classificação de cefaléias, baseada
nos sinais e sintomas dos pacientes e nos valores de probabilidades fornecidos
pelos especialistas. A avaliação do sistema indicou que ele era capaz de fornecer os
mesmos diagnósticos que os especialistas do sistema em 95% dos casos.
Neves (2002) desenvolveu um SE para auxílio na classificação de
elegibilidade e prioridade de receptores para transplante de medula óssea. O
sistema foi desenvolvido utilizando a técnica de regras de produção para
elegibilidade e Redes Bayesianas para auxílio na definição da prioridade. Os
resultados obtidos mostraram que o sistema para elegibilidade foi capaz de apontar
os pacientes para transplante, enquanto que o sistema para prioridade não
apresentou os mesmos resultados positivos em uma primeira fase. Após ajustes na
base do conhecimento, o sistema foi capaz de atingir os resultados tidos como
aceitáveis e esperados pelos especialistas.
Mattos (2003) utilizou a técnica de Rede Bayesiana em um SE para apoio à
decisão em planejamento de saúde, voltado para análise de situação de saúde de
uma determinada população, utilizando indicadores de saúde fornecidos pelos
especialistas. Os resultados experimentais, comparando as hipóteses diagnósticas
dos especialistas, do sistema especialista e de técnicos em saúde, mostraram que o
sistema apresentou um acerto de 90%, enquanto os acertos dos técnicos foram
somente de 40%.
�
�
�
#'�
Abicalaffe, Amaral e Dias (2004) desenvolveram um SE utilizando a técnica
de RBs para identificação de gestação de alto risco, utilizando fatores de risco
classificados pelo Ministério da Saúde. Em avaliações preliminares, estimou-se um
grau de acerto acima de 90%.
Dias (2004) implementou uma Rede Bayesiana com a finalidade de
selecionar pacientes com doença cérebro-vascular aguda com risco de ocorrência
de pneumonia aspirativa. A implementação foi realizada com o auxílio de um arquivo
de casos com 123 pacientes com diagnóstico de doença cérebro-vascular
complicada por disfagia orofaríngea. Apesar de não possuir resultados formais, a
técnica demonstrou servir para o auxílio diagnóstico.
Um exemplo da validação de estudos utilizando o TB é a solicitação por
parte do Food and Drug Administration - FDA, órgão americano que controla o uso
de pesquisas na área de alimentos e medicamentos, para que os fabricantes adotem
a técnica, no sentido de reduzir o tamanho da população em estudos e também o
tempo necessário para certas pesquisas (FDA, 2004).
�
�
�
$-�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
����������������������������������������
�
�
�
$��
4 MÉTODOS
�
�
4.1 Proposta
Realizada a fundamentação teórica, decidiu-se pelo estudo do
desenvolvimento de um SE na área de IH e que tivesse sua concentração na área
operacional, onde as informações relativas aos pacientes são coletadas. Essas
informações têm forte relação causal com a ocorrência de IH.
Visto que a RB possui um bom desempenho para demonstração das relações
de causa-efeito e que a base do conhecimento pode ser representada com sucesso
na área de saúde, a RB foi escolhida como técnica de inteligência artificial para a
composição do SE probabilístico. Outro fator é a forte relação entre risco e
probabilidade e, portanto, há grande proximidade entre o objetivo do trabalho e as
RBs.
As UTIs Neonatais são locais que apresentam altas taxas de IH, em
comparação com as taxas globais do hospital. Sua explicação se dá pela fragilidade
do recém-nascido e de seu sistema imunológico. Nestas unidades, devido a esses
motivos, aumenta a agressividade dos potenciais de risco, principalmente os
procedimentos invasivos, como o uso de cateteres, de ventilação mecânica e de
nutrição parenteral.
A proposta do estudo é a criação de um sistema especialista utilizando uma
Rede Bayesiana, para auxílio na predição de infecção hospitalar para pacientes
internados na UTI - Neonatal.
�
�
�
$��
A parte qualitativa da Rede Bayesiana será composta a partir de potenciais de
risco aos quais os pacientes estejam submetidos e/ou condições de saúde
apresentadas pelos mesmos durante a internação.
Estes potenciais ou fatores de risco são compostos pelas agressões ao
paciente e que aumentam a chance de contrair uma infecção hospitalar.
Os dados referentes a estes itens estão presentes nas fichas de busca ativa
(anexo 1), que são os materiais utilizados para coleta das informações dos pacientes
e para o acompanhamento dos casos pela CCIH.
As fichas de busca ativa encontram-se em meio físico, transcritas pelos
especialistas. Portanto, será necessária a criação de um sistema para entrada de
dados, gerando um banco de dados.
O desenvolvimento da parte quantitativa da Rede Bayesiana será feito
através da importação do banco de dados gerado, utilizando a técnica de
aprendizagem por casos.
Após a composição da RB, pretende-se testar os resultados com um
“padrão-ouro” para verificar o seu desempenho.
4.2 Escolha do Local para Pesquisa
Para que o trabalho pudesse ser realizado, era necessária a escolha de
hospital que tivesse as seguintes características: a) hospital de grande porte; b)
�
�
�
$��
possuir UTI - Neonatal; c) ter uma CCIH implantada e atuante, com realização de
busca ativa na UTI escolhida.
Foi eleito para o projeto o Hospital Pequeno Príncipe de Curitiba, uma vez
que preenchia as necessidades do projeto, possuía uma equipe de especialistas no
domínio da aplicação e por já manter relação de parceria em ensino e pesquisa com
a Pontifícia Universidade Católica - PUCPR.
O Hospital Pequeno Príncipe - HPP é o principal hospital pediátrico do
Paraná, centro de excelência na assistência médica à criança, atendendo pacientes
do SUS e de outros convênios. O HPP é também um hospital-escola conveniado
com a Pontifícia Universidade Católica do Paraná – PUCPR e com a Universidade
Federal do Paraná – UFPR. Realiza mais de 2.000 internações ao ano, nas mais
diversas especialidades pediátricas.
A Unidade de Terapia Intensiva Neonatal do Hospital Pequeno Príncipe
possui 20 leitos, 19 profissionais médicos, 5 profissionais de enfermagem e 44
profissionais da equipe técnica de enfermagem. A média da taxa de ocupação
mensal é de 95%.
4.3 Aquisição da Base do Conhecimento
O trabalho foi iniciado com reuniões quinzenais com a equipe do Setor de
Infecção Hospitar, composta por dois médicos, duas enfermeiras e uma secretária.
Nestas reuniões, após apresentada a proposta, iniciou-se o processo de aquisição
�
�
�
$"�
do conhecimento e interação com a metodologia adotada pelo setor para o
diagnóstico de infecção.
Este processo de aquisição de conhecimento é muito importante para o
sucesso de qualquer projeto em tecnologia aplicada à saúde. É obrigatório o
engajamento do profissional da área tecnológica no domínio da aplicação e também
nas práticas diárias adotadas pela equipe multidisciplinar. Coube à equipe do Setor
de Infecção auxiliar neste processo, indicando as bibliografias necessárias para que
se criasse um nivelamento mínimo sobre o tema de infecções hospitalares.
Durante as reuniões, foram discutidas as alternativas para a coleta das
informações que constavam nas fichas de busca ativa. Para todos os pacientes
internados em UTIs é criada uma ficha de busca ativa, ao contrário de pacientes de
outras unidades de internação (também denominados Postos), onde a ficha é criada
somente para os pacientes observados pelo setor de infecção.
4.4 Método da Coleta de Dados
O método para coleta de dados escolhido foi a transcrição das fichas de
busca ativa para um banco de dados, através de um sistema informatizado,
desenvolvido para este fim. Isso ocorreu devido ao fato do hospital, em seu Sistema
de Informação Hospitalar, não possuir as informações necessárias para a criação do
sistema especialista.
�
�
�
$#�
As fichas de busca ativa do período compreendido entre maio de 2003 a
junho de 2004 foram revisadas pelo setor de infecção e digitadas num sistema de
apoio (figura 5), desenvolvido em linguagem Visual Basic (Microsoft Corp.),
utilizando o banco de dados Access (Microsoft Corp.). Todas as fichas de busca
ativa foram digitadas, visando preservar a integridade dos dados.
FIGURA 5 – TELA DE ENTRADA DE DADOS DAS FICHAS DE BUSCA ATIVA
�
4.5 Amostra
Foram utilizados 180 casos para o estudo, compreendidos entre maio de
2003 e junho de 2004, representando os pacientes internados na UTI-Neonatal. A
escolha do período de doze meses de atendimento visou a cobertura de uma
possível ocorrência sazonal de uma topografia.
�
�
�
$$�
4.6 Representação do Conhecimento
A representação do conhecimento foi implementada com a técnica de Redes
Bayesianas, utilizado o “shell” Netica (exposto no capítulo 3.9.2), devido a suas
características de integração com outros sistemas através de sua API e a qualidade
de sua visualização gráfica (NORSYS, 2004).
Outra vantagem levada em consideração é a fácil importação de dados de
bases geradas por outros sistemas, utilizando arquivos em formato texto. Estas
bases podem ser utilizadas para o processo de aprendizagem da Rede Bayesiana.
Na formação dos nós da Rede Bayesiana, foram selecionados os potenciais
de risco apresentados na ficha de busca ativa.
Os seguintes potenciais de risco foram utilizados (quadro 3):
�
�
�
$%�
QUADRO 3 – POTENCIAIS DE RISCO UTILIZADOS NA CONSTRUÇÃO DA REDE BAYESIANA �
Potencial de Risco Atributos Observação
Procedência Casa; Hospital. Local anterior à internação. Sexo Masculino; Feminino. Sexo do paciente. Peso Classificado A1; A2; B e C. A1: até 1000 g
A2: de 1000 g até 1500 g B: de 1500 g até 2500 g C: acima de 2500 g
Nutrição Parenteral Sim; Não. Uso de nutrição parenteral. Ventilação Mecânica Sim; Não. Uso de ventilação mecânica. Tempo de Ventilação Mecânica Sem uso. Até 24 horas de uso;
de 1 a 5 dias de uso; mais de 5 dias de uso.
Tempo total de uso de ventilação mecânica.
Dreno Sim; Não. Uso de dreno de tórax. Cateter Central Sim; Não. Uso de cateter central. Tipo de Cateter Flebotomia; Punção intracath;
PICC; Acesso venoso periférico.
Tipo do cateter utilizado.
Outros Procedimentos de Risco Sim; Não. Uso de outros procedimentos de risco.
Diagnóstico de Risco Má formação; Atresia de esôfago; Gastrosquise; Não
Diagnósticos identificados na entrada do paciente.
Colonização Nasal de Entrada Sim; Não. Indica se o paciente apresentava colonização nasal antes de diagnosticada uma IH.
Bolsa Rota Sim; Não. Ocorrência de bolsa rota com tempo superior a 48 horas da internação.
Antibióticos - Esquemas Sem uso; Um esquema; Dois esquemas; Três esquemas; Quatro ou mais esquemas.
Quantidade de “esquemas” utilizados pelo paciente.
Uso Prévio de Antibióticos Sim; Não. Indica se o paciente fez uso de antibióticos em ocasião anterior à internação.
Tipo de Internação Clínica; Cirúrgica. Tipo de internação do paciente. Potencial de Contaminação Cirúrgico
Limpa; Potencialmente contaminada; Contaminada; Infectada.
Potencial de contaminação da(s) cirurgia(s) realizada(s), considerando o maior potencial.
Hemotransfusão Sim; Não. Ocorrência de hemotransfusão após o nascimento.
Infecção Prévia Sim; Não. Considerada se o paciente apresentava infecção no momento da internação.
Prematuridade A termo; 24 a 38 semanas; Desconhecida
Situação do RN quanto à prematuridade.
Permanência Até 10 dias; de 11 a 20 dias; de 21 a 30 dias; de 31 a 40 dias; de 41 a 50 dias; de 51 a 60 dias; de 61 a 70 dias; de 71 a 80 dias; mais de 80 dias
Dias de permanência do RN na UTI.
�
�
�
$&�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
�
������������������������������������������������
�
�
�
$'�
5 RESULTADOS
A demonstração dos resultados do trabalho de desenvolvimento da Rede
Bayesiana consistirá nas seguintes etapas:
a) definição da parte qualitativa da Rede Bayesiana;
b) definição da parte quantitativa da Rede Bayesiana;
c) apresentação final da rede bayesiana;
d) análise dos dados coletados;
e) avaliação de desempenho.
5.1 Parte Qualitativa da Rede Bayesiana
�
�
Como parte do processo de definição da parte qualitativa da RB, foram
utilizados os potenciais de risco apresentados no quadro 3, transformados para
variáveis da rede, assim como seus atributos. O resultado final é mostrado na figura
6. Estes potenciais de risco escolhidos para montagem tinham obrigatoriamente que
constar das fichas de busca ativa.
�
�
�
%-�
FIGURA 6 – REPRESENTAÇÃO DA PARTE QUALITATIVA DA RB.
Após a digitação de todas as fichas e montagem da rede, foram iniciados os
passos para a implementação da segunda parte da RB, que é a parte qualitativa.
5.2 Parte Quantitativa da Rede Bayesiana
Para a implementação da parte qualitativa da RB foram utilizadas as 180
fichas que compunham a amostra do trabalho, descrita no capítulo 4.5.
Dependendo da ferramenta utilizada, as tabelas de probabilidades
condicionais podem ser completadas diretamente pelo engenheiro do conhecimento
ou deixar que a ferramenta realize este processo, atuando diretamente sobre um
banco de dados.
�
�
�
%��
Neste trabalho, foi escolhida a técnica de aprendizado pela importação do
banco de dados, criado pelo sistema de entrada de dados. Utilizando a função da
ferramenta NETICA, denominada Learning From a Case File, foi possível que a
Rede Bayesiana “aprendesse” com os casos importados a partir de um arquivo em
formato texto (.txt). A figura 7 demonstra este processo de treinamento.
FIGURA 7 – ESQUEMA DE MONTAGEM E TREINAMENTO DA REDE BAYESIANA
Esta técnica de aprendizagem tem a vantagem de oferecer um treinamento
baseado no conhecimento do especialista, formalizado a partir dos relatos de casos.
A rede, após o treinamento com o banco de dados, representa a mesma forma de
pensar que o especialista utilizou para diagnosticar os casos ao longo do tempo.
Outra vantagem é a redução do tempo de aprendizagem e calibração das
probabilidades, uma vez que o conhecimento presente nos casos do banco de
�
�
�
%��
dados pode ou não representar o mesmo conhecimento do especialista, ou seja, o
banco de dados pode não ser representativo do domínio escolhido.
No caso do banco de dados não ser representativo, pode-se utilizar a
experiência dos profissionais e/ou a literatura para corrigir as deficiências.
�
5.3 Apresentação da Rede Bayesiana
Após a seleção dos potenciais de risco e a entrada das fichas de busca ativa
no sistema de coleta, a RB foi montada, utilizando-se a ferramenta “shell”, e
treinada, utilizando o banco de dados gerado.
A figura 8 mostra a apresentação final da Rede Bayesiana, já treinada e com
as probabilidades calculadas.
FIGURA 8 – APRESENTAÇÃO FINAL DE REDE BAYESIANA
�
�
�
%��
5.4 Análise dos Dados Coletados
Após a montagem e treinamento da RB através do banco de dados de fichas
de busca ativa, foram apresentadas as seguintes características com relação à
infecção hospitalar (tabela 7).
TABELA 7 - DISTRIBUIÇÃO DE TOPOGRAFIAS DE IH
Topografia�Número de
Casos�%�
Ausente 124 68,89
Sepsis 17 9,44
Pneumonia 14 7,78
Olhos, Ouvidos, Nariz, Garganta, Boca 9 5,00
Pele e Tecidos Moles 4 2,22
Sítio cirúrgico 4 2,22
Sistema Nervoso Central 3 1,67
Gastrointestinal 2 1,11
Urinária 1 0,56
Sistema Vascular 1 0,56
Outras 1 0,56
TOTAL� 180� 100%�
�
�
�
%"�
A análise univariada foi realizada através do software de licença livre Epi-
Info9 versão 3.3.2, distribuído pelo CDC, e foram utilizadas as variáveis que
apresentaram maior significado.
A tabela 8 faz uma demonstração dos dados obtidos das fichas de busca
ativa, retirados diretamente da base de dados.
TABELA 8 – ANÁLISE DOS PRINCIPAIS FATORES DE RISCO �
Com IH Sem IH Total Fatores de Risco Nº % Nº % Nº %
Sexo • Masculino 36 64,3 64 51,6 100 55,6 • Feminino 20 35,7 60 48,4 80 44,4
Total 56 100,0 124 100,0 180 100,0 Ventilação Mecânica
• Sim 31 55,4 39 31,5 70 38,9 • Não 25 44,6 85 68,5 110 61,1
Total 56 100,0 124 100,0 180 100,0 Classe de Peso
• A1 10 17,9 4 3,2 14 7,8 • A2 5 8,9 16 12,9 21 11,7 • B 16 28,6 40 32,3 56 31,1 • C 25 44,6 64 51,6 89 49,4
Total 56 100,0 124 100,0 180 100,0 Nutrição Parenteral
• Sim 15 26,8 19 15,3 34 18,9 • Não 41 73,2 105 84,7 146 81,1
Total 56 100,0 124 100,0 180 100,0 Procedência
• Casa 8 14,3 23 18,5 31 17,2 • Hospital 48 85,7 101 81,5 149 82,8
Total 56 100,0 124 100,0 180 100,0
���������������������������������������� �������������������'�G��� �*�������8� �����6������(�������***!��!����
�
�
�
%#�
5.5 Demonstração da Avaliação de Desempenho
A análise do sistema especialista segue as etapas descritas pela escala
Gaschnig (GASCHNIG et al., 1983; PELLEGRINI, 1985):
1. Definição dos objetivos do sistema
2. Implementação de um protótipo para demonstrar sua utilidade
3. Refinamento do sistema
4. Avaliação de desempenho
5. Avaliação da aceitação pelos usuários
6. Funcionamento do protótipo na rotina
7. Demonstração da utilidade do sistema em larga escala
8. Alterações necessárias
9. Liberação definitiva do sistema.
O resultado alcançado pelo sistema especialista chegou à etapa número 6
da avaliação de desempenho.
Como componentes da etapa número 4, foram realizados os seguintes
cálculos: análise de desempenho, onde se obtêm resultados referentes à taxa de
erros e acertos do sistema, análise de sensibilidade e especificidade, detecção de
resultados positivos e negativos do sistema, assim como o valor preditivo positivo e
o valor preditivo negativo associados respectivamente aos cálculos de sensibilidade
e especificidade.
�
�
�
%$�
Foram testados 43 casos na rede, compondo uma amostra “padrão-ouro”
com casos selecionados pela equipe de especialistas do Serviço de Infecção
Hospitalar do HPP. O diagnóstico destes foi considerado como referência para a
avaliação do sistema.
Foi tomado o cuidado para que esta amostra “padrão-ouro” não fizesse parte
da amostra de pacientes utilizada para o treinamento.
Como critério de escolha para a seleção dos casos desta amostra, foram
selecionados aleatoriamente casos com diagnóstico positivo e negativo para
infecção hospitalar.
Da amostra “padrão-ouro”, nove pacientes foram diagnosticados com algum
tipo de IH (topografia) e 34 não apresentaram IH. Todos os diagnósticos foram
revisados pelos especialistas antes do teste.
Para avaliar o desempenho da RB, estes casos foram testados, um a um, na
Rede Bayesiana. Comparou-se então o diagnóstico dado pelos especialistas para
aquele caso, com a probabilidade de risco apresentada pela RB.
Os resultados foram compilados utilizando uma tabela 2x2, conforme
descrito no capítulo 3.10. Os seguintes resultados foram encontrados (tabela 9):
TABELA 9 – RESULTADO DO TESTE DE DIAGNÓSTICO DA REDE BAYESIANA �
Teste Resultado (%)
Sensibilidade 66,67
Especificidade 88,24
Valor preditivo positivo 60,00
Valor preditivo negativo 90,90
Precisão 83,72
Probabilidade de falso positivo 40,00
Probabilidade de falso negativo 9,09
�
�
�
%%�
�
����
����
����
����
����
����
����
����
����
����
����
����
����
����
����
����
��������������������������������������������������������
������������������������������������
�
�
�
%&�
6 DISCUSSÕES E CONCLUSÃO
A preocupação com as IHs nas instituições hospitalares é uma realidade e
um desafio para qualquer profissional da equipe. Tanto profissionais de saúde como
administradores procuram formas de minimizar as repercussões geradas pela sua
ocorrência.
Devido à escassez de recursos destinados à saúde no Brasil, controlar a
incidência de infecções hospitalares tornou-se uma necessidade econômica,
superada às vezes pelos impactos legais e sociais (FERNANDES, 2000).
Outro aspecto que torna as instituições de saúde mais visadas é a mudança
de postura dos pacientes para uma atitude de “consumidores”, exigindo padrões de
atendimento mais dignos e responsáveis. Essa alteração de perfil obriga os hospitais
a procurar uma melhoria na qualidade dos serviços oferecidos.
Os programas de controle de infecção baseados em sistemas
informatizados, tanto o proposto pelo CDC como pela ANVISA, visam a geração de
indicadores sobre IH para análise posterior (ANVISA, 2004).
Em pesquisa realizada na literatura, pode-se verificar a existência de vários
sistemas hospitalares que possuem módulos desenvolvidos para a utilização das
CCIHs. Porém, todos são destinados à geração de dados epidemiológicos, atuando
somente na espera administrativa, e nenhuma proposta foi encontrada para
sistemas que operem na esfera operacional (RIBEIRO, 1999; PIRUTTI, 2000).
�
�
�
%'�
A adoção do SE para predição de risco, em conjunto com estes sistemas de
indicadores, poderá gerar alertas à equipe da CCIH para tomada de decisão,
contribuindo para a redução da taxa de IH.
6.1 Implementação da Rede Bayesiana
Foi implementada uma Rede Bayesiana para predição de risco de IH
utilizando-se os potenciais de risco das fichas de busca ativa.
Os resultados apresentados pela rede, ofereceram aos especialistas uma
demonstração explícita das relações causais, criadas entre os fatores de risco e a
ocorrência de IH. A análise de desempenho, verificada através dos valores de
sensibilidade e especificidade, fortalece a técnica utilizada e dá segurança ao
usuário quanto ao seu uso efetivo na predição de IH.
A apresentação gráfica da RB contribuiu nestes resultados, pois possibilitou
ao usuário uma visualização das probabilidades a priori e a posteriori. Esta
característica das RBs, reforça seu sucesso e crescimento na área de saúde.
As dificuldades encontradas na implementação, principalmente quanto à
transcrição das fichas para o sistema de entrada de dados, foram compensadas pela
facilidade de manutenção da RB e pela aquisição da base do conhecimento.
�
�
�
&-�
6.2 Aquisição do Conhecimento e Treinamento da Rede Bayesiana
Para a coleta das informações das fichas de busca ativa, foi desenvolvido
um aplicativo para entrada e armazenagem dos dados.
No treinamento da Rede Bayesiana, a digitação das fichas de busca ativa
ofereceu uma dificuldade extra, devida a sua transcrição ser voltada para o uso da
CCIH. Estas fichas não fazem parte do prontuário do paciente e a escrita muitas
vezes se faz com o uso de simbologias e de forma simplificada, o que dificulta a
legibilidade.
Aproveitando os comentários e idéias resultantes das reuniões com os
especialistas, foi desenhada e proposta a implantação de uma nova ficha de busca
ativa (anexos 2 e 3).
Esta ficha foi apresentada à CCIH e encontra-se em fase de testes,
mostrando, numa primeira impressão, que sua utilização pode contribuir para a
melhoria na coleta e padronização das informações.
Com a rede já treinada, os especialistas puderam avaliar seu desempenho
através de testes realizados com a simulação de casos. Nesta etapa, foi discutido
cada um dos nós que representavam os riscos e aferidos seus conteúdos.
Os especialistas puderam também realizar algumas descobertas, com
referência ao comportamento de um processo de infecção hospitalar e a propagação
das probabilidades, simplesmente selecionando a topografia desejada e conferindo
o estado das outras variáveis. Esta vantagem é oferecida pela característica das
RBs na apresentação do conhecimento em forma gráfica.
�
�
�
&��
Mesmo para aquelas topografias onde se conhecia a relação entre o
procedimento de risco e a ocorrência de IH, como, por exemplo, as pneumonias e
sua relação com ventilação mecânica, a demonstração da RB mostrou aos
especialistas a relação que outros potenciais de risco (sexo e procedência) podem
ter com a topografia.
Isto demonstra uma aceitação da ferramenta por parte dos especialistas.
Estudos futuros poderão abordar em maiores detalhes, no sentido de se obter um
resultado diferente do obtido por Rocha (2001).
Os resultados obtidos com a sensibilidade e especificidade foram
considerados satisfatórios pela equipe de especialistas. A avaliação positiva da RB
deve-se, principalmente, pela alta especificidade. Este resultado garante maior
segurança para o paciente e, provavelmente, uma redução dos custos, uma vez que
o sistema é preditivo, ou seja, apresenta a chance do paciente vir a ter uma infecção
hospitalar.
Os testes realizados também se mostraram capazes de avaliar a RB quanto
ao seu desempenho (BERNER, 2003).
Entretanto, ainda é possível melhorar o desempenho do sistema. Para isso,
é necessário aumentar o tamanho da amostra de fichas para treinamento da base
do conhecimento. Novos estudos podem ser realizados para testar esta hipótese.
�
�
�
&��
6.3 Resultados dos Testes
Na análise dos dados levantados, os fatores de risco com maior
representatividade na predição de IH foram: sexo; ventilação mecânica; classe de
peso; nutrição parenteral e procedência. Os outros fatores de risco também
apresentaram uma relação com a ocorrência de IH.
Estes fatores de risco concordam com os fatores apresentados por Fázio-
Júnior, Namura e Nogueira (2000), e com Giamberardino (2004).
Outro exemplo é dado pela citação de Fázio-Júnior, Namura e Nogueira
(2000) que o fator - sexo masculino – possui um risco aumentado para infecção
hospitalar de topografia do tipo sepsis, sendo de duas a quatro vezes maior. Os
resultados da RB mostraram uma distribuição percentual de 63,2% para o sexo
masculino contra 36,8% para o sexo feminino, comprovando seu resultado.
Após sua concepção e treinamento, a rede foi capaz de apresentar resultado
satisfatório para detecção de IH, tomando como base os potenciais de risco das
fichas de busca ativa.
Foram demonstradas pelos testes uma sensibilidade 66,67% e uma
especificidade de 88,24%, mostrando sua viabilidade como ferramenta para
predição de risco de IH.
O SE foi testado para avaliar a predição do risco de IH com a ocorrência dos
mesmos, em uma amostra independente, considerada como padrão-ouro.
A especificidade resultante do teste demonstrou que o sistema pode predizer
com maior precisão os casos negativos para IH, ou seja, a chance de um paciente
�
�
�
&��
não desenvolver algum tipo de IH. A sensibilidade mostra que o sistema pode
detectar casos de IH em comparação ao diagnóstico realizado pelo especialista.
O resultado da avaliação pode mostrar que um SE, utilizando uma Rede
Bayesiana, pode auxiliar a equipe da CCIH na predição da ocorrência de IH em
paciente de UTI – Neonatal. Portanto, a experiência pode ser estendida para outros
hospitais.
Cabe ainda lembrar que a intenção de um sistema de predição não é firmar
o diagnóstico, mas sim alertar a equipe sobre a probabilidade de um paciente
desenvolver um quadro de IH. Uma vez alertada, a CCIH pode desenvolver uma
conduta para que o paciente tenha seus riscos reduzidos e que a IH seja evitada.
Esta conduta pode englobar desde a intensificação dos cuidados ao paciente até o
uso de antibióticos profiláticos, dependendo de cada caso.
Neste caso, um teste de precisão mostrará um resultado errôneo se for
comparada a taxa de predição com a ocorrência efetiva de IH.
6.4 A Geração da Informação
A geração da informação em saúde, mais especificamente das informações
relativas ao pacientes e seu estado de saúde, constitui um desafio para a área da
tecnologia aplicada à saúde.
�
�
�
&"�
A escassez de padrões para representar o conhecimento em saúde e a
dificuldade de adotar os existentes, em substituição aos textos livres, faz com que a
construção de sistemas especialistas não se dê numa maior velocidade.
A adoção de padrões viria resolver o problema da disparidade na informação
coletada pelos especialistas, além de possibilitar a troca de informações entre
instituições.
Nota-se, em algumas instituições de saúde, a descentralização dos dados
relativos ao prontuário do paciente, principalmente em hospitais que possuem várias
especialidades e que acabam construindo prontuários independentes, que não se
comunicam e duplicam informações. A centralização poderia oferecer uma visão
única das informações aos profissionais de saúde, permitindo uma melhoria na
investigação de doenças.
6.5 Integração com o Sistema Hospitalar
Uma das maiores dificuldades nas CCIHs é a coleta de informações dos
pacientes, seja procurando estas informações nos prontuários ou realizando a busca
ativa diretamente nos leitos. Para que um sistema especialista possa funcionar como
gerador de opinião para o corpo de profissionais de saúde, é necessário que estas
informações estejam disponíveis em tempo real e possam ser lidas no local em que
se encontram os profissionais destas comissões.
�
�
�
&#�
Conforme Jerussalmy (1986), a difusão de sistema em tempo-real pode
contribuir para o avanço dos sistemas especialistas com técnicas de inteligência
artificial.
Uma das propostas estudadas para a solução do problema é a utilização de
um sistema baseado em Agentes de Software, desenvolvida por Cetenareski (2004).
Nesta proposta, as informações necessárias para a Rede Bayesiana são coletadas
na sua origem.
Os módulos do sistema de informação hospitalar que possuem os dados são
alertados pelo Sistema de Agentes, coletados e transferidos para a Rede Bayesiana
através de uma API e processados, gerando um monitor de risco de IH.
Melhorar a qualidade de atendimento é uma busca constante de qualquer
instituição de saúde e uma preocupação dos profissionais envolvidos nos diversos
setores. Utilizar o processo de informação é um indicador de qualidade e a utilização
de sistemas especialistas vem contribuir neste sentido pois sendo estes sistemas
aferidos, o aumento no grau de certeza do profissional de saúde que faz uso de um
sistema de apoio à decisão repercute num melhor atendimento ao paciente.
6.6 Estudos Futuros
A RB poderá ser implantada em outras UTIs Neonatais, podendo servir para
a criação de uma padronização das fichas de busca ativa. Para adoção nestas
�
�
�
&$�
outras unidades, pode-se utilizar a mesma base de conhecimento, ou adotar os
dados destas, gerando bases específicas para cada localidade.
Apesar das facilidades gráficas oferecidas pelo “shell” NETICA, a
implementação de uma interface gráfica entre a RB e o especialista poderá contribuir
no acesso ao sistema, facilitando o uso do sistema especialista.
Com a adoção pelos hospitais de sistemas que contemplem o Prontuário
Eletrônico do Paciente, todas as informações necessárias para a predição do risco
poderão ser acessadas em tempo real, gerando assim um sistema monitor de risco,
baseado em Rede Bayesiana.
A criação de integração com dispositivos móveis (PDA´s)10 permitirá o
acesso das informações do paciente e a consulta do potencial de risco durante a
busca ativa dentro das UTIs.
Uma avaliação mais detalhada poderia considerar também o retorno
econômico, uma vez que a redução de IH está diretamente ligada a uma baixa dos
custos hospitalares.
A adoção do sistema especialista sugere ser de grande utilidade na prática
médica e de enfermagem, na melhoria do atendimento ao paciente, beneficiando
igualmente as instituições de saúde.
���������������������������������������� ��������������������-���7�H����������������7��������
�
�
�
&%�
����
����
����
����
����
����
����
����
����
����
����
����
�����
�
�
�
�
�
�
�
�
��������������������������������������������������������
������ �!����������� �!����������� �!����������� �!���������
�
�
�
&&�
7 REFERÊNCIAS
ABICALAFFE, C.L.L.; Amaral, V.F.; Dias, J.S. Aplicação da Rede Bayesiana na Prevenção da Gestação de Alto Risco. XI Congresso Brasileiro de Informática em Saúde. Ribeirão Preto-SP; 2004.
ALTEMEIER, W.A. Incidência e Custo da Infecção Hospitalar. Manual de Controle de Infecções em Pacientes Cirúrgicos. p.7-19, 1988.
AMERICAN HOSPITAL ASSOCIATION-AHA. Infection Control in the Hospital. Chicago; 1974.
ANTONIO, L.A.C.; Fernandes, A.T. Implicações Bioéticas das Infecções Hospitalares e de seu Controle. In: Fernandes, A.T., editor. Infecção Hospitalar e suas Interfaces na Área da Saúde. São Paulo: Atheneu Editora; 2000. p.1655-1664.
ANVISA. Sistema para monitorar a infecção em hospitais: Disponível: http://www.anvisa.gov.br/divulga/noticias/2004/130904.htm Acesso em: 10/11/2004.
BARRETO, J.M. Inteligência Artificial no Limiar do Século XXI. 2.a ed. Florianópolis, SC; 1999.
BATES, D.Wea. Reducing the Frequency of Errors in Medicine Using Information Technology. JAMIA; v. 9, p.299-308, 2001.
BEINLICH, I.A.; Suermondt, H.J.; Chavez, R.M.; Cooper, G.F. The Alarm Monitoring System: a case study with two probabilistic inference techniques for belief networks. Proceedings of the Second Conference on Artificial Intelligence in Medicine; p.247-256, 1989.
BERNER, E.S. Clinical Decision Support Systems: Theory and Practice. New York: Springer; 1998.
BERNER, E.S. Diagnostic Decision Support Systems: How to Determine the Gold Standard? J Am Med Inform Assoc., v.10, p.608-610, 2003.
BITTENCOURT, G. Inteligência Artificial - Ferramentas e Teorias. 1.a ed. Florianópolis,SC: Editora da UFSC; 1998.
BRASIL. Ministério da Saúde. Portaria 169 de 24 de junho de 1983. Diário Oficial da União da República Federativa do Brasil Brasília, 28 jun. 1983.
BRASIL. Ministério da Saúde. Portaria 930 de 27 de agosto de 1992. Estabelece a obrigatoriedade da existência, em todos os hospitais brasileiros, de Comissões
�
�
�
&'�
de Controle de Infecção Hospitalar e outras atribuições. Diário Oficial da União da República Federativa do Brasil Brasília, 27 ago. 1992.
BRASIL. Ministério da Saúde. Lei 9431-06 de 06 de janeiro de 1997. Dispõe sobre a obrigatoriedade do programa de controle de infecção hospitalar pelos hospitais do País. Diário Oficial da União da República Federativa do Brasil Brasília, 07 jan. 1997.
BRASIL. Ministério da Saúde. Portaria 2.616 de 12 de maio de 1998. Estabelece diretrizes e normas para a prevenção e o controle das infecções hospitalares. Diário Oficial da União da República Federativa do Brasil Brasília, 13 mai. 1998.
BRODERICK, M.M.; et al. Nosocomial infections: validation of surveillance and computer modeling to identify patients at risk. American J of Epidemiology, v.131,n.4, p.734-742, 1990.
BROSSETTE, S.E.; et al. A Data Mining System for Infection Control Surveillance. Methods Inf Med, v. 39, n.4-5, p.303-310, 2000.
BROSSETTE, S.E.; et al. Association Rules and Data Mining in Hospital Infection Control and Public Health Surveillance. JAMIA ,v. 5, p.373-381, 1998.
BOHANEC, M. A Decision Support System for Nosocomial Infection Therapy. Infonet. Disponível: http://www-ai.ijs.si/MarkoBohanec/ptah.html Acesso em 25/8/2004.
CAVALCANTE, N.J.F. Ética e Controle de Infecção Hospitalar. In: Fernandes, A.T., editor. Infecção Hospitalar e suas Interfaces na Área da Saúde. São Paulo: Atheneu Editora; 2000, p.1650-1664.
CAVALCANTE, N.J.F.; Factores, L.A.P; Fernandes, A.T.; Barros, E.R. Unidade de Terapia Intensiva. In: Fernandes, A.T., editor. Infecção Hospitalar e suas Interfaces na Área da Saúde. São Paulo: Atheneu Editora; 2000, p.749-770.
CAVANILLAS, A.B.; Contreras, R.R.; Luque, A.L.; Rodríguez, M.D.; Vargas, R.G. Usefulness of severity índices in intensive care medicine as a predictor of nosocomial infection risk. Intensice Care Méd; p.336-339, 1991.
CETENARESKI, J.A. Sistema de Monitoramento do Potencial de Risco de Infecção Hospitalar em UTI - Neonatal Baseado em Agentes de Software. Dissertação de Mestrado junto ao Programa de Pós-Graduação em Tecnologia em Saúde da Pontifícia Universidade Católica do Paraná. Curitiba; 2005.
CDC – Centers for Disease Control and Prevention. Hospital infections cost U.S. billions of dollars annually. Disponível: http://www.cdc.gov/od/oc/media/ pressrel/r2k0306b.htm. Acesso em: 01/10/2004
CHAIBEN, A. Sistemas Especialistas. Disponível: http://www.cce.ufpr.br /~hamilton/iaed/iaed.htm. Acesso em: 31/07/2002.
�
�
�
'-�
CHARNIAC, E.; McDermott, D. Introduction to Artificial Intelligence. Addison-Wesley, Massachusetts; 1985.
COIERA, E. Artificial Intelligence in Medicine. Medical Informatics, The Internet and Telemedicine; 1997.
COOPE, V.H.M.; Gaag, L.C.; Habbema, J.D.F. Sensitivity analysis: an aid for belief-network quantification. Disponivel: http://archive.cs.uu.nl/pub/RUU/CS/techreps /CS-1999/1999-13.pdf Acesso em 20/12/2004.
COUTO, R.C.; Pedrosa, T.M.G. Guia Prática de Infecção Hospitalar. 1.a ed. Medsi; 1999.
COUTO, R.C.; Pedrosa, T.M.G.; Nogueira, J.M. Infecção Hospitalar - Epidemiologia e Controle. 2.a edição, Editora Médica e Científica Ltda; 1999.
COUTO, R.C.; Pedrosa, T.M.G. Epidemiologia Aplicada ao Controle das Infecções Hospitalares. In: Couto RC, Pedrosa TMG, Nogueira JM, editors. Infecção Hospitalar - Epidemiologia e Controle. Belo Horizonte: MEDSI; 1999, p.45-104.
COUTO, R.C.; Pedrosa, T.M.G. Infecções Hospitalares no Brasil e no Mundo. In: Couto RC, Pedrosa TMG, Nogueira JM, editors. Infecção Hospitalar - Epidemiologia e Controle. Belo Horizonte: MEDSI; 1999, p.1-6.
CRUZ, F.S. Infecção Hospitalar, Conceitos Atuais. Disponível: www.e-infecto.com. Acesso em: 03/7/2000.
DAVIDSON, P.L. Healthcare Information Systems, Auerbach; 1999.
DEGOULET, P.; Fieschi, M. Introduction to Clinical Informatics: medical decision support systems. New York, Springer-Verlag; 1997.
DIAS, J.S. Raciocínio Médico e a Abordagem Bayesiana: um estudo de caso. Tese de Professor Titular. Curitiba - PR, Pontifícia Universidade Católica do Paraná – PUCPR; 2004.
EMORI, T.G.; Gaynes, R.P. An overview of nosocomial infections, including the role of the microbiology laboratory. Clin. Microbiol, 1993, p.428-442.
EVANS, R.S.; Classen, D.C.; Pestotnik, S.L.; et al. Improving empiric antibiotic selection using computer decision support. Arch Intern Med, v.154, n.8, p.878-84, 1994.
FÁZIO-JÚNIOR, J.; Namura, Y.; Nogueira, P.R.C. Infecção Neonatal. In: Fernandes, A.T., editor. Infecção Hospitalar e suas Interfaces na Área da Saúde. São Paulo: Atheneu Editora; 2000, p.621-645.
�
�
�
'��
FDA – U.S. Food and Drug Administration. What Can Bayesian Methods do for Us? Disponível: http://www.fda.gov/ohrms/dockets/ac/01/slides/3803s1_05_ Goodman/. Acesso em: 20/10/2004.
FERNANDES, A.T. O Desafio da Infecção Hospitalar: a Tecnologia Invade um Sistema em Desequilíbrio. In: Fernandes, A.T., editor. Infecção Hospitalar e suas Interfaces na Área da Saúde. São Paulo: Atheneu Editora; 2000. p. 129-159.
FERNANDES, A.T.; Ribeiro, Filho N.; Barroso, E.A.R. Conceito, Cadeia Epidemiológica das Infecções Hospitalares e Avaliação Custo-Benefício das Medidas de Controle. In: Fernandes, A.T., editor. Infecção Hospitalar e suas Interfaces na Área da Saúde. São Paulo: Atheneu Editora; 2000, p.215-265.
FERNANDES, A.T. As Bases do Hospital Contemporâneo: a Enfermagem, os Caçadores de Micróbios e o Controle de Infecção. In: Fernandes, A.T., editor. Infecção Hospitalar e suas Interfaces na Área da Saúde. São Paulo: Atheneu Editora; 2000. p.91-128.
FERNANDES, A.T.; Fernandes,M.O.V.; Ribeiro, Filho N. Infecção Hospitalar e suas Interfaces na Área da Saúde. São Paulo: Atheneu Editora; 2000.
FERRAZ, E.M. Infecção em cirurgia. Recife: Medsi; 1997.
FIESCHI, M. Medical Decision Support Systems. Introduction to Clinical Informatics. Springer; 1996.
FISHER, P.D.; Hollander, M.J.; Peterson, G.M.; Sladecek, I.; Kleinstiver, P.; Mackenzie, T. Decision Support Tools in Health Care. In: Making Decisions: Evidence and Information. National Forum on Health. Sainte-Foy (Quebec), Canadá, v. 5, p. 104-161, 1998.
FLETCHER, R.H. Epidemiologia Clínica: bases científicas da conduta médica. 3a ed. Porto Alegre: Artes Médicas; 1996.
FROST & SULLIVAN RELEASE. U.S. Hospital Infection Control Market to Near $1.2 Billion by 2001. Disponível em: www.frost.com Acesso em: 21/10/2004.
GAAG, L.C. Bayesian belief networks: odds and ends. The Computer Journal . v. 39, n.2, p.97-113, 1996.
GALVANESE, F.A.C.; Waldman, E.A. Fundamentos de epidemiologia para o controle das infecções hospitalares. In: Fernandes, A.T., editor. Infecção Hospitalar e suas Interfaces na Área da Saúde. São Paulo: Atheneu Editora; 2000, p.1353-1370.
GASCHNIG, J.; Klahr, P.; Pople, H.; Shortliffe, E.H.; Terry, A. Evaluation of expert systems: issues and cases studies. Addison-Wesley; 1983.
�
�
�
'��
GAZE, R.; Perez, M. Vigilância Epidemiológica. In: Epidemiologia. São Paulo: Atheneu Editora; 2003.
GIAMBERARDINO, H.I.G. Estudo dos Fatores de Risco para Infecção Hospitalar em Unidade de Terapia Intensiva Referência para Trauma na Cidade de Curitiba nos Anos de 2000 e 2001. Curitiba – PR, Universidade Federal do Paraná – UFPR; 2004.
GOODMAN, S. What Can Bayesian Methods Do For Us? Disponível: http://www.fda.gov/ohrms/dockets/ac/01/slides/3803s1_05_ Goodman/. Acesso em: 20/10/2004.
HARMON, P.; King, D. Sistemas Especialistas. 1.a ed. New York: Editora Campus Ltda; 1988.
HOEFEL, H. Epidemiologia das Infecções Hospitalares. Disponível: http://www.cih.com.br/. Acesso em: 10/10/2004.
HUGIN EXPERT. Disponível: http://www.hugin.com/. Acesso em: 05/09/2004.
IATROS. Estatística e Pesquisa Científica para Profissionais de Saúde. Disponível: http://www.vademecum.com.br/iatros/ Acesso em: 17/11/2004.
JARVIS, W.R. Selected Aspects of the Socioeconomic Impact of Nosocomial Infections. Infection Control and Hospital Epidemiology, v.17, n.8, p.552-557, 1996.
JERUSSALMY, M. Acesso Imediato à Informação - Tecnologia Atual e Futura. In: Rodrigues, R.J., editor. Informática e o Administrador de Saúde. São Paulo: PROAHSA; 1987, p.21-26.
KAHN, M.G. Monitoring expert system performance using continuous users feedback. JAMIA ,v.3, p.216-223, 1996.
KOEHLER, C.; Nassar, S.M.; Pires, M.M.S. Abordagem Probabilística para Sistemas Especialistas. Ver Médica HSVP, v.10, n.23, p.25-30, 1998.
LACERDA, R.A.; Jouclas, V.M.G.; Egry, E.Y. A Face Iatrogênica do Hospital. São Paulo: Atheneu Editora; 1996, p.50-70.
LACERDA, R.A. O Significado Político-Social das Infecções Hospitalares e seu Controle para a Saúde Coletiva. In: Fernandes, A.T., editor. Infecção Hospitalar e suas Interfaces na Área da Saúde. São Paulo: Atheneu Editora; 2000, p.1618-1632.
LOPES, A.C.S.; Proietti, F.A.; Machado, G.P.M.; Caiaffa, W.T. Epidemiologia Básica. In: Couto, R.C.; Pedrosa, T.M.G.; Nogueira, J.M., editors. Infecção Hospitalar - Epidemiologia e Controle. Belo Horizonte: MEDSI; 1999, p.7-44.
�
�
�
'��
MAGNANINI, M.M.F.; Torres, T.Z.G.; Pereira, B.B. Probabilidade e Distribuições de Probabilidade. In: Epidemiologia. São Paulo: Atheneu Editora; 2003, p.245-258.
MAHIEU, L.M. et al. Prediction of nosocomial sepsis in neonates by means of a computer-weighted bedside scoring system. Crit Care Med, v.28, n.6, p.2026-2033, 2000.
MALAKOFF, D. Bayes offers a ‘new’ way to make sense of numbers. American Association for the advancement of Science, v. 286, n.5444, p.1460-1465, 1999.
MARTIN, M.C. et al. Grupo multidisciplinário sobre control de infecciones hospitalarias em América Latina y el Caribe. Bol of Sanit Panam, v.88, n.6, p. 555-558, 1979.
MARTONE, W. et al. Nosocomial infection rates for interhospital comparison: limitations and possible solutions. Infect. Control Hosp. Epidemiol, v.12, p.609-620, 1991.
MATTOS, N.P. Sistema de Apoio à Decisão para Planejamento em Saúde. Programa de Pós-Graduação em Informática Aplicada - PPGIA. Curitiba - PR, Pontifícia Universidade Católica do Paraná – PUCPR; 2003.
MEDRONHO, R.A.; Perez, M.A. Testes Diagnósticos. In: Epidemiologia. São Paulo: Atheneu Editora; 2003, p.259-270.
METZGER, J.; MacDonald, K. Clinical Decision Support for the Independent Physician Practice. California HealthCare Fundation. Out; 2002.
BRASIL. Ministério da Saúde. Estudo Brasileiro da Magnitude das Infecções Hospitalares em Hospitais Terciários. Revista do Controle de Infecção Hospitalar; 1995.
MONTIRONI, R.; Whimster, W.F.; Collan, Y.; Hamilton, P.W.; Thompson, D.B.P.H. How to develop and use a Bayesian Belief Network. J Clin Pathol ,v. 49, p.194-201, 1996.
NASSAR, S.M. Tratamento de Incerteza: Sistema Especialistas Probabilísticos. http://www.inf.ufsc.br/~silvia/disciplinas/sep/MaterialDidatico.dpf Acesso em 12/11/2004.
NEVES, H.R.A. Sistema Especialista para Determinar Elegibilidade e Prioridade em Transplante de Medula Óssea. Programa de Pós-Graduação em Informática Aplicada - PPGIA. Curitiba - PR, Pontifícia Universidade Católica do Paraná – PUCPR; 2002.
NATIONAL CENTER FOR BIOTECHNOLOGY INFORMATION – NCBI. National Library of Medicine. Disponível: http://www.ncbi.nlm.nih.gov/ Acesso em: 08/02/2005
�
�
�
'"�
NG, K.; Abramson, B. Uncertainty Management in Expert Systems. IEEE Expert. Abril; 1990, p. 29-47.
NORSYS SOFTWARE CORP. Belief Networks and Decision Networks. Disponível: http://www.norsys.com/belief.html Acesso em: 23/09/2004.
PEARL, J. Probabilistic Reasoning in Intelligence Systems: Networks of Plausible Inference. San Mateo: Morgan Kaufmann; 1988.
PEDROSA, T.M.G.; Couto, R.C. Unidades Neonatais: Centro de Terapia Intensiva e Berçário. In: Couto, R.C.; Pedrosa, T.M.G.; Nogueira, J.M.; editors. Infecção Hospitalar Epidemiologia e Controle. Belo Horizonte, MG: MEDSI; 1999, p.539-556.
PELLEGRINI, G.F. Proposta de uma Metodologia de Avaliação para Sistemas Especialistas na Área Médica. Dissertação de Mestrado. Universidade Federal de Santa Catarina, UFSC – Florianópolis, SC; 1995.
PEREIRA, B.B.; Louzada-Neto, F. Inferência Estatística. In: Epidemiologia. São Paulo: Atheneu Editora; 2003, p.271-282.
PIRUTTI, E.S. Informática Aplicada ao Controle de Infecção. In: Fernandes, A.T., editor. Infecção Hospitalar e suas Interfaces na Área da Saúde. São Paulo: Atheneu Editora; 2000, p.1447-1460.
POZO, A.T.R. Sistema Inteligente para Treinamento do Controle de Infecção Hospitalar. Dissertação de Mestrado. Universidade Federal de Santa Catarina, UFSC – Florianópolis, SC; 1991.
PRADHAN, M. Belief Networks. Disponível: http://www.project. net.au/hisavic/hisa/mag/sep93/belief.htm. Acesso em: 01/09/ 2004.
RABUSKE, R.A. Inteligência Artificial. UFSC ed; 1995.
RIBEIRO, G.J.C. Informática no Controle das Infecções Hospitalares. In: Couto, R.C.; Pedrosa, T.M.G.; Nogueira, J.M., editors. Infecção Hospitalar Epidemiologia e Controle. Belo Horizonte, MG: MEDSI; 1999, p.539-556.
RIBEIRO, S.M.C.P. Predição de risco de infecção hospitalar para pacientes em unidade de terapia intensiva. Saúde da População – Prêmio Jovem Cientista XVI Edição – CPNQ; 2000, p.55-90.
RICH, E.; Knight, K. Inteligência Artificial.�São Paulo, Makron Books do Brasil Editora Ltda. 2ªed.; 1993.
RODRIGUES, R.J. Informática na Área da Saúde. In: Rodrigues, R.J., editor. Informática e o Administrador de Saúde. São Paulo: PROAHSA; 1987, p.27-33.
�
�
�
'#�
ROCHA, B.H.S.C. Development, Implementation and Evaluation of a Computerized Pediatric Infection Surveillance System. Tese de Doutorado. University of Utah; 1997.
ROCHA, B.H.S.C.; Blue, S.; Christenson, J.C.; Gardner, R.M. Avaliação de um sistema especialista na detecção de infecções hospitalares. Anais do III Fórum Nacional de Ciência e Tecnologia em Saúde. São Carlos, SP, sn; 1996, p.723-729.
ROCHA, B.H.S.C.; Christenson, J.C.; Evans, S.; Gardner, R.M. Clinician's Response to Computerized Detection of Infections. JAMIA, v. 8, p.117-125, 2001.
ROCHA, B.H.S.C.; Christenson, J.C.; Paiva, A., Evans, S.; Gardner, R.M. Computerized Detection of Nosocomial Infections in Newborns. Proc Annu Symp Comput Appl Med Care, 1994, p.684-688.
SACHS, R.H. The Economic Justification of Electronic Medical Record Systems. In: Davidson, P.L. Healthcare Information Systems. Washington, D.C; 2000, p.259-273.
SAHEKI, A.H.; Sharovsky, R.; Cozman, F.G.; Coupé, V.M.H. Construção de uma Rede Bayesiana Aplicada ao Diagnóstico de Doenças Cardíacas. IV Encontro Nacional de Inteligência Artificial, Campinas, SP; 2003.
SANTOS, E.F.; Carneiro, J.C.O. Índice de risco e etiologia bacteriana das infecções cirúrgicas. Brasília Med, v. 33, p. 9-13, 1996.
SERRA, H.A. A História dos Antibióticos. Disponível: http://www.medstudents.com.br /historia/fleming/fleming.htm Acesso em: 12/10/2004.
SCHILDT, H. Inteligência artificial utilizando linguagem C. McGraw-Hill, São Paulo; 1989.
SHORTLIFFE, E.H. Mycin: computer-based medical consultations. Elsevier Scientific, New York; 1976.
SHORTLIFFE, E.H.; Perreault, L.E. Medical Informatics: Computer Applications in Health Care and Biomedicine. New York; 2001.
SOUZA, F.M.C. Decisões Racionais em Situações de Incerteza. 1.ed. Editora Universitária UFPE; 2002.
STUMPF, M.K.; Fisher, P.D.; Freitas, H.M.R.; Becker, J.L. Um modelo de Integração de Informações para o Apoio à Decisão na Gestão da Assistência à Saúde. Série Documentos para Estudo. PPGA/UFRGS; 1998.
SPENCER, R. Epidemiology of Nosocomial Infections in ICUs. Intensive Care Med. v.20, p.S2-S6, 1994.
�
�
�
'$�
TOLEDO, R.V. Sistema de auxílio no diagnóstico diferencial de cefaléia. Programa de Pós-Graduação em Informática Aplicada - PPGIA. Curitiba, PR, Pontifícia Universidade Católica do Paraná – PUCPR; 2000.
THOMPSON, I.M. Automated Entry of Nosocomial Infection Surveillance data: Use of an Optical Scanning System. J Hosp Infect. v. 43, p.275-278, 1999.
TU, S.W.; Kemper, C.A.; et al. A Methodology for Determining Patient's Eligibility for Clinical Trials. Meth Inform Med. v. 32, p.317-325, 1993.
VIRGILLITO, S.B. Estatística Aplicada. São Paulo: Editora Alfa-Omega; 2004.
WALDMAN, E.A.; Rosa, T.E.C. Vigilância em Saúde Pública. Disponível: http://ids-saude.uol.com.br/SaudeCidadania/ed_07/08_01.html. Acesso em: 20/12/2004.
WATERMAN, D.A. A Guide to Expert Systems. New York, NY: Addison-Wesley Publishing Company; 1986.
WERNECK, G.; Almeida, L. Validade em Estudos Epidemiológicos. In: Epidemiologia. São Paulo: Atheneu Editora; 2003, p. 271-282.
YALCIN, N.A. Socioeconomic burden of nosocomial infections. Indian Journal of Medical Sciences. Dakar, v. 57, p.450-456, 2003.
�
�
�
'%�
"����#��"����#��"����#��"����#������
�
�
�
'&�
8 ANEXOS
ANEXO 1 - FORMULÁRIO DE COLETA DE DADOS PARA BUSCA ATIVA
�
�
�
''�
ANEXO 2 – PROPOSTA PARA O NOVO FORMULÁRIO DE COLETA DE DADOS
PARA BUSCA ATIVA – FRENTE �
____/____�Hosp. �Com.�Gastrointestinal – GI
____/____�Hosp. �Com.� Sist.Vasc. – CVS
____/____�Hosp. �Com.� Outras____/____�Hosp. �Com.� Trato Resp. – LRI
____/____�Hosp. �Com.� Pele e Tec.Moles – SST
____/____�Hosp. �Com.� Ol.Ou.Na.Ga.Bo – EENT
____/____�Hosp. �Com.� SNC – CNS
____/____�Hosp. �Com.� Ossos-Artic. – BJ
____/____�Hosp. �Com.� Sépsis – BSI
____/____�Hosp. �Com.� Pneumonia – PNEU
____/____�Hosp. �Com.� Sítio Cirúrgico – SSI
____/____�Hosp. �Com.� Urinária – UTI
ObservaçõesObservaçõesAgenteAgenteDataDataTipoTipoTopografiaTopografia
____/________/____� Outros: ___________________________
____/________/____� Cateter Central
�Flebot. � Punção Intracath � PICC
____/________/____� Dreno - Tórax
____/________/____� Ventilação Mecânica
�até 24 horas � de 1 a 5 dias � mais de 5 dias
____/________/____� NPTObservaçõesObservaçõesTérminoTérminoInícioInícioProcedimentos de RiscoProcedimentos de Risco
Cole a etiqueta
____/________/________/____
DataData
� Limpa � Pot.Cont. � Cont. � Infect.___:___� Limpa � Pot.Cont. � Cont. � Infect.___:___� Limpa � Pot.Cont. � Cont. � Infect.___:___
Potencial Cont.Potencial Cont.CirurgiãoCirurgiãoDuraçãoDuraçãoCirurgiasCirurgias
____/____/_____
�Alta: _________ �Óbito: ______ �Transf.: _________ � Hemotransfusão � Bolsa Rota � Uso prévio de antibiótico
Peso: _________g � A1 � A2 � B � C
Procedência: � Casa � Hospital: ________________________Data da Saída:Data da Entrada:
____/____/______
Diagnóstico de entrada:
Informações adicionais sobre o pacienteInformações adicionais sobre o paciente
____/________/________/________/________/________/________/____
DataData ResultadoResultadoMaterialMaterial
cult
uras
cult
uras
Quantidade de Esquemas: ______
____/________/________/________/________/________/____
____/________/________/____
InícioInício
____/________/________/____
TérminoTérminoAntibióticosAntibióticos
____/________/____
DataData
____/________/____
DataData
____/________/____
DataData
____/________/____
DataData
____/________/____
DataData
____/________/____
DataData
____/________/____
DataData
____/________/____
DataData
Bastonetes
Leucócitos
HemogramaHemograma
FICHA DE BUSCA ATIVA
Dados sobre Evolução, vide verso:
SERVIÇO DE CONTROLE DE INFECÇÃO
�
�
�
�
�--�
ANEXO 3 – PROPOSTA PARA O NOVO FORMULÁRIO DE COLETA DE DADOS
PARA BUSCA ATIVA - VERSO
�
�
�
�
�-��
ANEXO 4 - PORTARIA Nº 2.616/98, QUE ESTABELECE AS CCIHS NO BRASIL �
������������� ������ ������������ �����
�
O Ministro de Estado da Saúde, Interino, no uso das atribuições que lhe confere o art. 87, inciso II da Constituição, e
Considerando as determinações da Lei n° 9.431, de 6 de janeiro de 1997, que dispõe sobre a obrigatoriedade da manutenção pelos hospitais do país, de programa de controle de infecções hospitalares;
Considerando que as infecções hospitalares constituem risco significativo à saúde dos usuários dos hospitais, e sua prevenção e controle envolvem medidas de qualificação da assistência hospitalar, de vigilância sanitária e outras, tomadas no âmbito do Estado, do Município e de cada hospital, atinentes ao seu funcionamento;
Considerando que o Capítulo I art. 5° e inciso III da Lei n° 8.080 de 19 de setembro de 1990, estabelece como objetivo e atribuição do Sistema Único de Saúde (SUS), "a assistência às pessoas por intermédio de ações de promoção, proteção e recuperação da Saúde com a realização integrada das ações assistenciais e das atividades preventivas";
Considerando que no exercício da atividade fiscalizadora os órgãos estaduais de saúde deverão observar, entre outros requisitos e condições, a adoção, pela instituição prestadora de serviços, de meios de proteção capazes de evitar efeitos nocivos à saúde dos agentes, clientes, pacientes e dos circunstantes (Decreto n° 77.052, de 19 de janeiro de 1976, art. 2°, inciso IV);
Considerando os avanços técnico-científicos, os resultados do Estudo Brasileiro da Magnitude das Infecções Hospitalares, Avaliação da Qualidade das Ações de Controle de Infecção Hospitalar, o reconhecimento mundial destas ações como as que implementam a melhoria da qualidade da assistência à Saúde, reduzem esforços, problemas, complicações e recursos;
Considerando a necessidade de informações e instrução oficialmente constituída para respaldar a formação técnico-profissional, resolve:
Art. 1° Expedir, na forma dos anexos I, II, III, IV e V, diretrizes e normas para a prevenção e o controle das infecções hospitalares.
Art. 2° As ações mínimas necessárias, a serem desenvolvidas, deliberada e sistematicamente, com vistas à redução máxima possível da incidência e da gravidade das infecções dos hospitais, compõem o Programa de Controle de Infecções Hospitalares.
Art. 3° A Secretaria de Políticas de Saúde, do Ministério da Saúde, prestará cooperação técnica às Secretarias Estaduais e Municipais de Saúde, a fim de orientá-las sobre o exato cumprimento e interpretação das normas aprovadas por esta Portaria.
Art. 4° As Secretarias Estaduais e Municipais de Saúde poderão adequar as normas conforme prevê a Constituição da República Federativa do Brasil de 1988.
Art. 5° A inobservância ou o descumprimento das normas aprovadas por esta Portaria sujeitará o infrator ao processo e às penalidades previstas na Lei n° 6.437, de 20 agosto de 1977, ou outra que a
�
�
�
�-��
substitua, com encaminhamento dos casos ou ocorrências ao Ministério Público e órgãos de defesa do consumidor para aplicação da legislação pertinente (Lei n° 8.078/90 ou outra que a substitua).
Art. 6° Este regulamento deve ser adotado em todo território nacional, pelas pessoas jurídicas e físicas, de direito público e privado envolvidas nas atividades hospitalares de assistência à saúde.
Art. 7° Esta Portaria entrará em vigor na data de sua publicação.
Art. 8° Fica revogada a Portaria n° 930, de 27 de agosto de 1992.
BARJAS NEGRI
Programa de Controle de Infecção Hospitalar
ANEXO I
ORGANIZAÇÃO
l. O Programa de Controle de Infecções Hospitalares (PCIH) é um conjunto de ações desenvolvidas deliberada e sistematicamente, com vistas à redução máxima possível da incidência e da gravidade das infecções hospitalares.
2. Para a adequada execução do PCIH, os hospitais deverão constituir Comissão de Controle de Infecção Hospitalar (CCIH), órgão de assessoria à autoridade máxima da instituição e de execução das ações de controle de infecção hospitalar.
2.1. A CCIH deverá ser composta por profissionais da área de saúde, de nível superior, formalmente designados.
2.2. Os membros da CCIH serão de dois tipos: consultores e executores.
2.2.1. O presidente ou coordenador da CCIH será qualquer um dos membros da mesma, indicado pela direção do hospital.
2.3. Os membros consultores serão representantes, dos seguintes serviços:
2.3.1. serviço médico;
2.3.2. serviço de enfermagem;
2.3.3. serviço de farmácia;
2.3.4. laboratório de microbiologia;
2.3.5. administração.
2.4. Os hospitais com número de leitos igual ou inferior a 70 (setenta) atendem os números 2.3.1 e 2.3.2.
2.5. Os membros executores da CCIH representam o Serviço de Controle de Infecção Hospitalar e, portanto, são encarregados da execução das ações programadas de controle de infecção hospitalar;
�
�
�
�-��
2.5.1. Os membros executores serão, no mínimo, 2 (dois) técnicos de nível superior da área de saúde para cada 200 (duzentos) leitos ou fração deste número com carga horária diária, mínima, de 6 (seis) horas para o enfermeiro e 4 (quatro) horas para os demais profissionais.
2.5.l.1. Um dos membros executores deve ser, preferencialmente, um enfermeiro.
2.5.1.2. A carga horária diária, dos membros executores, deverá ser calculada na base da proporcionalidade de leitos indicado no número 2.5.1.
2.5.1.3. Nos hospitais com leitos destinados a pacientes críticos, a CCIH deverá ser acrescida de outros profissionais de nível superior da área de saúde. Os membros executores terão acrescidas 2 (duas) horas semanais de trabalho para cada 10 (dez) leitos ou fração;
2.5.1.3.1. Para fins desta Portaria, consideram-se pacientes críticos:
2.5.1.3.1.1. pacientes de terapia intensiva (adulto, pediátrico e neonatal);
2.5.1.3.1.2. pacientes de berçário de alto risco;
2.5.1.3.1.3. pacientes queimados;
2.5.1.3.1.4. pacientes submetidos a transplantes de órgãos;
2.5.1.3.1.5. pacientes hemato-oncológicos;
2.5.1.3.1.6. pacientes com Síndrome da Imunodeficiência Adquirida.
2.5.1.4. Admite-se, no caso do número 2.5.1.3., o aumento do número de profissionais executores na CCIH, ou a relativa adequação de carga horária de trabalho da equipe original expressa no número 2.5.1;
2.5.1.5. Em hospitais com regime exclusivo de internação tipo paciente-dia, deve-se atender aos números 2.1, 2.2 e 2.3, e com relação ao número 2.5.1, a carga de trabalho dos profissionais será de 2 (duas) horas diárias para o enfermeiro e 1 (uma) hora para os demais profissionais, independente do número de leitos da instituição.
2.5.1.6. Os hospitais poderão consorciar-se no sentido da utilização recíproca de recursos técnicos, materiais e humanos, com vistas à implantação e manutenção do Programa de Controle da Infecção Hospitalar.
2.5.1.7. Os hospitais consorciados deverão constituir CCIH própria, conforme os números 2 e 2.1, com relação aos membros consultores, e prover todos os recursos necessários à sua atuação.
2.5.1.8. O consórcio deve ser formalizado entre os hospitais componentes. Os membros executores, no consórcio, devem atender aos números 2.5.1, 2.5.1.1, 2.5.1.2, 2.5.1.3 e 2.5.1.4.
COMPETÊNCIAS
3. A CCIH do hospital deverá:
3.1. elaborar, implementar, manter e avaliar programa de controle de infecção hospitalar, adequado às características e necessidades da instituição, contemplando, no mínimo, ações relativas a:
�
�
�
�-"�
3.1.1. implantação de um Sistema de Vigilância Epidemiológica das Infecções Hospitalares, de acordo com o Anexo III;
3.1.2. adequação, implementação e supervisão das normas e rotinas técnico-operacionais, visando à prevenção e controle das infecções hospitalares;
3.1.3. capacitação do quadro de funcionários e profissionais da instituição, no que diz respeito à prevenção e controle das infecções hospitalares;
3.1.4. uso racional de antimicrobianos, germicidas e materiais médico-hospitalares;
3.2. avaliar, periódica e sistematicamente, as informações providas pelo Sistema de Vigilância Epidemiológica das infecções hospitalares e aprovar as medidas de controle propostas pelos membros executores da CCIH;
3.3. realizar investigação epidemiológica de casos e surtos, sempre que indicado, e implantar medidas imediatas de controle;
3.4. elaborar e divulgar, regularmente, relatórios e comunicar, periodicamente, à autoridade máxima de instituição e às chefias de todos os setores do hospital, a situação do controle das infecções hospitalares, promovendo seu amplo debate na comunidade hospitalar;
3.5. elaborar, implementar e supervisionar a aplicação de normas e rotinas técnico-operacionais, visando limitar a disseminação de agentes presentes nas infecções em curso no hospital, por meio de medidas de precaução e de isolamento;
3.6. adequar, implementar e supervisionar a aplicação de normas e rotinas técnico-operacionais, visando à prevenção e ao tratamento das infecções hospitalares;
3.7. definir, em cooperação com a Comissão de Farmácia e Terapêutica, política de utilização de antimicrobianos, germicidas e materiais médico-hospitalares para a instituição;
3.8. cooperar com o setor de treinamento ou responsabilizar-se pelo treinamento, com vistas a obter capacitação adequada do quadro de funcionários e profissionais, no que diz respeito ao controle das infecções hospitalares;
3.9. elaborar regimento interno para a Comissão de Controle de Infecção Hospitalar;
3.10. cooperar com a ação do órgão de gestão do SUS, bem como fornecer, prontamente, as informações epidemiológicas solicitadas pelas autoridades competentes;
3.11. notificar, na ausência de um núcleo de epidemiologia, ao organismo de gestão do SUS, os casos diagnosticados ou suspeitos de outras doenças sob vigilância epidemiológica (notificação compulsória), atendidos em qualquer dos serviços ou unidades do hospital, e atuar cooperativamente com os serviços de saúde coletiva;
3.12. notificar ao Serviço de Vigilância Epidemiológica e Sanitária do organismo de gestão do SUS, os casos e surtos diagnosticados ou suspeitos de infecções associadas à utilização de insumos e/ou produtos industrializados.
4. Caberá à autoridade máxima da instituição:
�
�
�
�-#�
4.1. constituir formalmente a CCIH;
4.2. nomear os componentes da CCIH por meio de ato próprio;
4.3. propiciar a infra-estrutura necessária à correta operacionalização da CCIH;
4.4. aprovar e fazer respeitar o regimento interno da CCIH;
4.5. garantir a participação do Presidente da CCIH nos órgãos colegiados deliberativos e formuladores de política da instituição, como, por exemplo, os conselhos técnicos, independente da natureza da entidade mantenedora da instituição de saúde;
4.6. garantir o cumprimento das recomendações formuladas pela Coordenação Municipal, Estadual/Distrital de Controle de Infecção Hospitalar;
4.7. Informar o órgão oficial municipal ou estadual quanto à composição da CCIH, e às alterações que venham a ocorrer;
4.8. fomentar a educação e o treinamento de todo o pessoal hospitalar.
5. À Coordenação de Controle de Infecção Hospitalar, do Ministério da Saúde, compete:
5.1. definir diretrizes de ações de controle de infecção hospitalar;
5.2. apoiar a descentralização das ações de prevenção e controle de infecção hospitalar;
5.3. coordenar as ações nacionais de prevenção e controle de infecção hospitalar;
5.4. estabelecer normas gerais para a prevenção e controle das infecções hospitalares;
5.5. estabelecer critérios, parâmetros e métodos para o controle de infecção hospitalar;
5.6. promover a articulação com órgãos formadores, com vistas à difusão do conteúdo de conhecimentos do controle de infecção hospitalar;
5.7. cooperar com a capacitação dos profissionais de saúde para o controle de infecção hospitalar;
5.8. identificar serviços municipais, estaduais e hospitalares para o estabelecimento de padrões técnicos de referência nacional;
5.9. prestar cooperação técnica, política e financeira aos Estados e aos Municípios, para aperfeiçoamento da sua atuação em prevenção e controle de infecção hospitalar;
5.10. acompanhar e avaliar as ações implementadas, respeitadas as competências estaduais/distrital e municipais de atuação, na prevenção e controle das infecções hospitalares;
5.11. estabelecer sistema nacional de informações sobre infecção hospitalar na área de vigilância epidemiológica;
5.12. estabelecer sistema de avaliação e divulgação nacional dos indicadores da magnitude e gravidade das infecções hospitalares e da qualidade das ações de seu controle;
�
�
�
�-$�
5.13. planejar ações estratégicas em cooperação técnica com os Estados, Distrito Federal e os Municípios;
5.14. acompanhar, avaliar e divulgar os indicadores epidemiológicos de infecção hospitalar.
6. Às Coordenações Estaduais e Distrital de Controle de Infecção Hospitalar, compete:
6.1. definir diretrizes de ação estadual/distrital, baseadas na política nacional de controle de infecção hospitalar;
6.2. estabelecer normas, em caráter suplementar, para a prevenção e controle de infecção hospitalar;
6.3. descentralizar as ações de prevenção e controle de infecção hospitalar dos Municípios;
6.4. prestar apoio técnico, financeiro e político aos municípios, executando, supletivamente, ações e serviços de saúde, caso necessário;
6.5. coordenar, acompanhar, controlar e avaliar as ações de prevenção e controle de infecção hospitalar do Estado e Distrito Federal;
6.6. acompanhar, avaliar e divulgar os indicadores epidemiológicos de infecção hospitalar;
6.7. informar, sistematicamente, à Coordenação de Controle de Infecção Hospitalar, do Ministério da Saúde, a partir da rede distrital, municipal e hospitalar, os indicadores de infecção hospitalar estabelecidos.
7. Às Coordenações Municipais de Controle de Infecção Hospitalar, compete:
7.1. coordenar as ações de prevenção e controle de infecção hospitalar na rede hospitalar do Município;
7.2. participar do planejamento, da programação e da organização da rede regionalizada e hierarquizada do SUS, em articulação com a Coordenação Estadual de controle de infecção hospitalar;
7.3. colaborar e acompanhar os hospitais na execução das ações de controle de infecção hospitalar;
7.4. prestar apoio técnico às CCIH dos hospitais;
7.5. informar, sistematicamente, à Coordenação Estadual de controle de infecção hospitalar do seu Estado, a partir da rede hospitalar, os indicadores de infecção hospitalar estabelecidos.
Programa de Controle de Infecção Hospitalar
ANEXO II
CONCEITOS E CRITÉRIOS DIAGNÓSTICOS DAS INFECÇÕES HOSPITALARES
1. Conceitos básicos.
l.1. Infecção comunitária (IC):
�
�
�
�-%�
1.1.1. é aquela constatada ou em incubação no ato de admissão do paciente, desde que não relacionada com internação anterior no mesmo hospital.
1.1.2. São também comunitárias:
1.1.2.1. a infecção que está associada com complicação ou extensão da infecção já presente na admissão, a menos que haja troca de microrganismos com sinais ou sintomas fortemente sugestivos da aquisição de nova infecção;
1.1.2.2. a infecção em recém-nascido, cuja aquisição por via transplacentária é conhecida ou foi comprovada e que tornou-se evidente logo após o nascimento (exemplo: herpes simples, toxoplasmose, rubéola, citomegalovirose, sífilis e AIDS);
1.1.2.3. As infecções de recém-nascidos associadas com bolsa rota superior a 24 (vinte e quatro) horas.
1.2. Infecção hospitalar (IH):
1.2.1. é aquela adquirida após a admissão do paciente e que se manifeste durante a internação ou após a alta, quando puder ser relacionada com a internação ou procedimentos hospitalares.
2. Critérios para diagnóstico de infecção hospitalar, previamente estabelecidos e descritos.
2.1. Princípios:
2.1.1. o diagnóstico das infecções hospitalares deverá valorizar informações oriundas de:
2.1.1.1. evidência clínica, derivada da observação direta do paciente ou da análise de seu prontuário;
2.1.1.2. resultados de exames de laboratório, ressaltando-se os exames microbiológicos, a pesquisa de antígenos, anticorpos e métodos de visualização realizados.
2.1.1.3. evidências de estudos com métodos de imagem;
2.1.1.4. endoscopia;
2.1.1.5. biópsia e outros.
2.2. Critérios gerais:
2.2.1. quando, na mesma topografia em que foi diagnosticada infecção comunitária, for isolado um germe diferente, seguido do agravamento das condições clínicas do paciente, o caso deverá ser considerado como infecção hospitalar;
2.2.2. quando se desconhecer o período de incubação do microrganismo e não houver evidência clínica e/ou dado laboratorial de infecção no momento da internação, convenciona-se infecção hospitalar toda manifestação clínica de infecção que se apresentar a partir de 72 (setenta e duas) horas após a admissão;
2.2.3. são também convencionadas infecções hospitalares aquelas manifestadas antes de 72 (setenta e duas) horas da internação, quando associadas a procedimentos diagnósticos e/ou terapêuticos, realizados durante este período;
�
�
�
�-&�
2.2.4. as infecções no recém-nascido são hospitalares, com exceção das transmitidas de forma transplacentária e aquelas associadas a bolsa rota superior a 24 (vinte e quatro) horas;
2.2.5. os pacientes provenientes de outro hospital que se internam com infecção, são considerados portadores de infecção hospitalar do hospital de origem infecção hospitalar. Nestes casos, a Coordenação Estadual/Distrital/Municipal e/ou o hospital de origem deverão ser informados para computar o episódio como infecção hospitalar naquele hospital.
3. Classificação das cirurgias por potencial de contaminação da incisão cirúrgica.
3.1. as infecções pós-cirúrgicas devem ser analisadas conforme o potencial de contaminação da ferida cirúrgica, entendido como o número de microrganismos presentes no tecido a ser operado;
3.2. a classificação das cirurgias deverá ser feita no final do ato cirúrgico, pelo cirurgião, de acordo com as seguintes indicações:
3.2.1. Cirurgias Limpas - são aquelas realizadas em tecidos estéreis ou passíveis de descontaminação, na ausência de processo infeccioso e inflamatório local ou falhas técnicas grosseiras, cirurgias eletivas com cicatrização de primeira intenção e sem drenagem aberta. Cirurgias em que não ocorrem penetrações nos tratos digestivo, respiratório ou urinário;
3.2.2. Cirurgias Potencialmente Contaminadas - são aquelas realizadas em tecidos colonizados por flora microbiana pouco numerosa ou em tecidos de difícil descontaminação, na ausência de processo infeccioso e inflamatório e com falhas técnicas discretas no transoperatório. Cirurgias com drenagem aberta enquadram-se nesta categoria. Ocorre penetração nos tratos digestivo, respiratório ou urinário sem contaminação significativa.
3.2.3. Cirurgias Contaminadas - são aquelas realizadas em tecidos recentemente traumatizados e abertos, colonizados por flora bacteriana abundante, cuja descontaminação seja difícil ou impossível, bem como todas aquelas em que tenham ocorrido falhas técnicas grosseiras, na ausência de supuração local. Na presença de inflamação aguda na incisão e cicatrização de segunda intenção, ou grande contaminação a partir do tubo digestivo. Obstrução biliar ou urinária também se incluem nesta categoria.
3.2.4. Cirurgias Infectadas - são todas as intervenções cirúrgicas realizadas em qualquer tecido ou órgão, em presença de processo infeccioso (supuração local) e/ou tecido necrótico.
ANEXO III
VIGILÂNCIA EPIDEMIOLÓGICA E INDICADORES EPIDEMIOLÓGICOS DAS INFECÇÕES HOSPITALARES
l. Vigilância Epidemiológica das infecções hospitalares é a observação ativa, sistemática e contínua de sua ocorrência e de sua distribuição entre pacientes, hospitalizados ou não, e dos eventos e condições que afetam o risco de sua ocorrência, com vistas à execução oportuna das ações de prevenção e controle.
2. A CCIH deverá escolher o método de Vigilância Epidemiológica mais adequado às características do hospital, à estrutura de pessoal e à natureza do risco da assistência, com base em critérios de magnitude, gravidade, redutibilidade das taxas ou custo;
�
�
�
�-'�
2.1. São indicados os métodos prospectivos, retrospectivos e transversais, visando determinar taxas de incidência ou prevalência.
3. São recomendados os métodos de busca ativos de coleta de dados para Vigilância Epidemiológica das infecções hospitalares.
4. Todas as alterações de comportamento epidemiológico deverão ser objeto de investigação epidemiológica específica.
5. Os indicadores mais importantes a serem obtidos e analisados periodicamente no hospital e, especialmente, nos serviços de Berçário de Alto Risco, UTI (adulto/pediátrica/neonatal) Queimados, são;
5.1. Taxa de Infecção Hospitalar, calculada tomando como numerador o número de episódios de infecção hospitalar no período considerado e como denominador o total de saídas (altas, óbitos e transferências) ou entradas no mesmo período;
5.2. Taxa de Pacientes com Infecção Hospitalar, calculada tomando como numerador o número de doentes que apresentaram infecção hospitalar no período considerado, e como denominador o total de saídas (altas, óbitos e transferências) ou entradas no período;
5.3. Distribuição Percentual das Infecções Hospitalares por localização topográfica no paciente, calculada tendo como numerador o número de episódios de infecção hospitalar em cada topografia, no período considerado e como denominador o número total de episódios de infecção hospitalar ocorridos no período;
5.4. Taxa de Infecções Hospitalares por Procedimento, calculada tendo como numerador o número de pacientes submetidos a um procedimento de risco que desenvolveram infecção hospitalar e como denominador o total de pacientes submetidos a este tipo de procedimento.
Exemplos: Taxa de infecção do sítio cirúrgico, de acordo com o potencial de contaminação. Taxa de infecção urinária após cateterismo vesical.
Taxa de pneumonia após uso de respirador.
5.5. Recomenda-se que os indicadores epidemiológicos dos números 5.1. e 5.2. sejam calculados utilizando-se no denominador o total de pacientes dia, no período.
5.5.1. O número de pacientes dia é obtido somando-se os dias totais de permanência de todos os pacientes no período considerado.
5.6. Recomenda-se que o indicador do número 5.4 pode ser calculado utilizando-se como denominador o número total de procedimentos dia.
5.6.1. O número de pacientes dia é obtido somando-se o total de dias de permanência do procedimento realizado no período considerado.
5.7. Outros procedimentos de risco poderão ser avaliados, sempre que a ocorrência respectiva o indicar, da mesma forma que é de utilidade o levantamento das taxas de infecção do sítio cirúrgico, por cirurgião e por especialidade.
�
�
�
��-�
5.8. Frequência das Infecções Hospitalares por Microrganismos ou por etiologias, calculada tendo como numerador o número de episódios de infecção hospitalar por microrganismo e como denominador o número de episódios de infecções hospitalares que ocorreram no período considerado.
5.9. Coeficiente de Sensibilidade aos Antimicrobianos, calculado tendo como numerador o número de cepas bacterianas de um determinado microorganismo sensível a determinado antimicrobiano e como denominador o número total de cepas testadas do mesmo agente com antibiograma realizado a partir das espécimes encontradas.
5.10. Indicadores de uso de antimicrobianos.
5.10.1. Percentual de pacientes que usaram antimicrobianos (uso profilático ou terapêutico) no período considerado. Pode ser especificado por clínica de internação. É calculado tendo como numerador o total de pacientes em uso de antimicrobiano e como denominador o número total de pacientes no período.
5.10.2. Frequência com que cada antimicrobiano é empregado em relação aos demais. É calculada tendo como numerador o total de tratamentos iniciados com determinado antimicrobiano no período, e como denominador o total de tratamentos com antimicrobianos iniciados no mesmo período.
5.1.1. Taxa de letalidade associada a infecção hospitalar, é calculada tendo como numerador o número de óbitos ocorridos de pacientes com infecção hospitalar no período considerado, e como denominador o número de pacientes que desenvolveram infecção hospitalar no período.
5.12. Consideram-se obrigatórias as, informações relativas aos indicadores epidemiológicos 5.1, 5.2, 5.3 e 5.11, no mínimo com relação aos serviços de Berçário de alto risco, UTI (adulto/pediátrica/neonatal) e queimados
6. Relatórios e Notificações
6.1. A CCIH deverá elaborar periodicamente um relatório com os indicadores epidemiológicos interpretados e analisados. Esse relatório deverá ser divulgado a todos os serviços e à direção, promovendo-se seu debate na comunidade hospitalar.
6.2. O relatório deverá conter informações sobre o nível endêmico das infecções hospitalares sob vigilância e as alterações de comportamento epidemiológico detectadas, bem como as medidas de controle adotadas e os resultados obtidos.
6.3. É desejável que cada cirurgião receba, anualmente, relatório com as taxas de infecção em cirurgias limpas referentes às suas atividades, e a taxa média de infecção de cirurgias limpas entre pacientes de outros cirurgiões de mesma especialidade ou equivalente.
6.4. O relatório da vigilância epidemiológica e os relatórios de investigações epidemiológicas deverão ser enviados às Coordenações Estaduais/ Distrital/Municipais e à Coordenação de Controle de Infecção Hospitalar do Ministério da Saúde, conforme as normas específicas das referidas Coordenações.
Programa de Controle de Infecção Hospitalar
ANEXO IV
�
�
�
����
LAVAGEM DAS MÃOS
1. Lavagem das mãos é a fricção manual vigorosa de toda a superfície das mãos e punhos, utilizando-se sabão/detergente, seguida de enxágüe abundante em água corrente.
2. A lavagem das mãos é, isoladamente, a ação mais importante para a prevenção e controle das infecções hospitalares.
3. O uso de luvas não dispensa a lavagem das mãos antes e após contatos que envolvam mucosas, sangue ou outros fluidos corpóreos, secreções ou excreções.
4. A lavagem das mãos deve ser realizada tantas vezes quanto necessária, durante a assistência a um único paciente, sempre que envolver contato com diversos sítios corporais, entre cada uma das atividades.
4.1. A lavagem e anti-sepsia cirúrgica das mãos é realizada sempre antes dos procedimentos cirúrgicos.
5. A decisão para a lavagem das mãos com uso de anti-séptico deve considerar o tipo de contato, o grau de contaminação, as condições do paciente e o procedimento a ser realizado.
5.1. A lavagem das mãos com anti-séptico é recomendada em;
- realização de procedimentos invasivos;
- prestação de cuidados a pacientes críticos;
- contato direto com feridas e/ou dispositivos invasivos, tais como catéteres e drenos.
6. Devem ser empregadas medidas e recursos com o objetivo de incorporar a prática da lavagem das mãos em todos os níveis da assistência hospitalar.
6.1 A distribuição e a localização de unidades ou pias para lavagem das mãos, de forma a atender à necessidade nas diversas áreas hospitalares, além da presença dos produtos, é fundamental para a obrigatoriedade da prática.
Programa de Controle de Infecção Hospitalar
ANEXO V
RECOMENDAÇÕES GERAIS
1. A utilização dos anti-sépticos, desinfetantes e esterilizantes seguirá as determinações da Portaria n° 15, de 23 de agosto de 1988, da Secretaria de Vigilância Sanitária (SVS)/ do Ministério da Saúde e o Processamento de Artigos e Superfícies em Estabelecimentos de Saúde/ MS, 2ª edição, 1994, ou outras que as complementem ou substituam.
1.1. Não são recomendadas, para a finalidade de anti-sepsia, as formulações contendo mercuriais orgânicos, acetona, quaternário de amônio, líquido de Dakin, éter e clorofórmio.
2. As normas de limpeza, desinfecção e esterilização são aquelas definidas pela publicação do Ministério da Saúde, Processamento de Artigos e Superfícies em Estabelecimentos de Saúde, 2ª
�
�
�
����
edição, 1994 - princípios ativos liberados conforme os definidos pela Portaria n° 15, SVS, de 23 de agosto de 1988, ou outras que a complementem ou substituam.
3. As normas de procedimentos na área de Microbiologia são aquelas definidas pela publicação do Ministério da Saúde - Manual de Procedimentos Básicos em Microbiologia Clínica para o Controle de Infecção Hospitalar, lª edição, 1991, ou outras que as complementem ou substituam.
4. As normas para lavanderia são aquelas definidas pela publicação do Ministério da Saúde - Manual de Lavanderia Hospitalar, lª edição, 1986, ou outras que as complementem ou substituam.
5. A Farmácia Hospitalar seguirá as orientações contidas na publicação do Ministério da Saúde - Guia Básico para a Farmácia Hospitalar, lª edição, 1994, ou outras que as complementem ou substituam.
��
��
Livros Grátis( http://www.livrosgratis.com.br )
Milhares de Livros para Download: Baixar livros de AdministraçãoBaixar livros de AgronomiaBaixar livros de ArquiteturaBaixar livros de ArtesBaixar livros de AstronomiaBaixar livros de Biologia GeralBaixar livros de Ciência da ComputaçãoBaixar livros de Ciência da InformaçãoBaixar livros de Ciência PolíticaBaixar livros de Ciências da SaúdeBaixar livros de ComunicaçãoBaixar livros do Conselho Nacional de Educação - CNEBaixar livros de Defesa civilBaixar livros de DireitoBaixar livros de Direitos humanosBaixar livros de EconomiaBaixar livros de Economia DomésticaBaixar livros de EducaçãoBaixar livros de Educação - TrânsitoBaixar livros de Educação FísicaBaixar livros de Engenharia AeroespacialBaixar livros de FarmáciaBaixar livros de FilosofiaBaixar livros de FísicaBaixar livros de GeociênciasBaixar livros de GeografiaBaixar livros de HistóriaBaixar livros de Línguas
Baixar livros de LiteraturaBaixar livros de Literatura de CordelBaixar livros de Literatura InfantilBaixar livros de MatemáticaBaixar livros de MedicinaBaixar livros de Medicina VeterináriaBaixar livros de Meio AmbienteBaixar livros de MeteorologiaBaixar Monografias e TCCBaixar livros MultidisciplinarBaixar livros de MúsicaBaixar livros de PsicologiaBaixar livros de QuímicaBaixar livros de Saúde ColetivaBaixar livros de Serviço SocialBaixar livros de SociologiaBaixar livros de TeologiaBaixar livros de TrabalhoBaixar livros de Turismo